PEMODELAN KERUGIAN BENCANA BANJIR AKIBAT

CURAH HUJAN EKSTREM MENGGUNAKAN EXTREME

VALUE THEORY DAN COPULA
TUGAS AKHIR
Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana
Jurusan Statistika

Disusun Oleh:
Ian Surya Prayoga
16611047

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2020
 HALAMAN PERSETUJUAN PEMBIMBING

TUGAS AKHIR

Judul : Pemodelan Kerugian Bencana Banjir Akibat Curah Hujan

Ekstrem Menggunakan Extreme Value Theory dan Copula

Nama Mahasiswa : Ian Surya Prayoga

NIM : 16611047

TUGAS AKHIR INI TELAH DIPERIKSA DAN DISETUJUI UNTUK

DIUJIKAN

Yogyakarta, 17 Juni 2020

Pembimbing

Atina Ahdika, M.Si.

ii
 HALAMAN PENGESAHAN

TUGAS AKHIR
PEMODELAN KERUGIAN BENCANA BANJIR AKIBAT CURAH
HUJAN EKSTREM MENGGUNAKAN EXTREME VALUE THEORY DAN
COPULA

Nama Mahasiswa : Ian Surya Prayoga

NIM : 16611047

TUGAS AKHIR INI TELAH DIUJIKAN

PADA TANGGAL: 17 JUNI 2020

Nama Penguji: Tanda Tangan

1. Kariyam, S.Si., M.Si. ……………………………..

2. Achmad Fauzan, S.Pd., M.Si. ..............................................

3. Atina Ahdika, M.Si. ……………………………..

Mengetahui,
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam

Prof. Riyanto, S.Pd., M.Si., Ph.D.

iii
 KATA PENGANTAR

Assalamu’alaikum Wr.Wb.
Puji dan syukur penulis panjatkan kepada Allah SWT, atas berkat, rahmat,
dan karuniaNya penyusunan Tugas Akhir dengan judul “Pemodelan Kerugian
Bencana Banjir Akibat Curah Hujan Ekstrem Menggunakan Extreme Value
Theory dan Copula”, dapat diselesaikan tepat waktu. Tidak lupa sholawat dan
salam penulis haturkan kepada nabi Muhammad SAW, beserta keluarga,
sahabatnya dan umatnya
Tugas Akhir ini dilakukan sebagai salah satu persyaratan yang harus
dipenuhi dalam menyelesaikan jenjang Strata Satu (S1) di Program Studi
Statistika, Universitas Islam Indonesia.
Penulis menyadari bahwa Penulisan laporan ini banyak memperoleh
bantuan dari berbagai pihak, baik yang berupa saran, kritik, bimbingan maupun
bantuan lainnya. Oleh karena itu, pada kesempatan ini penulis menyampaikan
ucapan terima kasih kepada:
1. Prof. Riyanto, S.Pd., M.Si., Ph.D, selaku dekan Fakultas Matematika Ilmu dan
Pengetahuan Alam.
2. Bapak Dr. Edy Widodo, S.Si., M.Si., selaku ketua Jurusan Statistika Fakultas
Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Indonesia beserta
seluruh jajarannya.
3. Ibu Atina Ahdika, S.Si., M.Si, selaku dosen pembimbing Tugas Akhir, atas
bimbingannya dari awal penelitian sampai selesainya penyusunan Tugas Akhir.
4. Kedua orang tua penulis beserta seluruh keluarga yang selalu mendukung baik
dalam bentuk doa maupun motivasi dan selalu bekerja keras demi kelancaran
studi penulis

iv
5. Sahabat satu kontrakan, Akmal Abdillah, Fata Mukhamad, Hendro Cahyo U,
Adik Fadil, yang selalu menemani dan memberi motivasi selama kuliah hingga
penyusunan Tugas Akhir.
6. Sahabat satu perjuangan dan perantauan, Abiyudha Surya L, yang telah banyak
membantu saya dalam menuntut ilmu sejak dibangku SMP hingga saat ini.
7. Sahabat-sahabat seperjuangan selama perkuliahan Anas Wahyu, Aditya, Iqbal
Fathur, Faisal Ardiansyah, Dhanu Khresna dan Fauzan Azhari, serta Salsabila
Novianingrum dan teman – teman lain yang telah banyak membantu saya
dalam mengerjakan tugas selama masa perkuliahan.
8. Semua pihak yang telah membantu yang tidak bisa penulis sebutkan satu
persatu. Semoga Allah SWT akan selalu memberi rahmat dan anugerah-Nya
tanpa henti.
Penulis menyadari sepenuhnya bahwa dalam Tugas Akhir ini masih jauh
dari sempurna. Oleh karena itu segala kritik dan saran yang sifatnya membangun
selalu penulis harapkan. Semoga Tugas Akhir ini dapat bermanfaat bagi penulis
khususnya dan bagi semua yang membutuhkan. Akhir kata, semoga Allah SWT
selalu melimpahkan rahmat serta hidayah-Nya kepada kita semua, Amin amin ya
robbal ‘alamiin
Wassalamu’alaikum, Wr.Wb .

Yogyakarta, 17 Juni 2020

Ian Surya Prayoga

v
 DAFTAR ISI

HALAMAN PERSETUJUAN PEMBIMBING ..................................................... ii

HALAMAN PENGESAHAN ................................................................................ iii
KATA PENGANTAR ........................................................................................... iv
DAFTAR ISI .......................................................................................................... vi
DAFTAR TABEL .................................................................................................. ix
DAFTAR GAMBAR .............................................................................................. x
DAFTAR LAMPIRAN .......................................................................................... xi
ABSTRAK ............................................................................................................ xii
ABSTRACT ........................................................................................................... xiv
BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang Penelitian....................................................................... 1
1.2 Rumusan Masalah .................................................................................. 4
1.3 Batasan Masalah ..................................................................................... 5
1.4 Tujuan Penelitian .................................................................................... 5
1.5 Manfaat Penelitian .................................................................................. 5
BAB II TINJAUAN PUSTAKA............................................................................. 6
BAB III LANDASAN TEORI ................................................................................ 9
3.1 Pengertian Curah Hujan.......................................................................... 9
3.2 Banjir .................................................................................................... 11
3.3 Extreme Value Theory (EVT) ............................................................... 12
3.3.1 Metode Block Maxima ............................................................. 14
3.3.2 Distribusi Generalized Extreme Value (GEV) ......................... 15
3.3.3 Estimasi Parameter Distribusi Generalized Extreme Value
(GEV). .................................................................................................. 17
3.4 Pengujian Kesesuaian Distribusi .......................................................... 19
3.5 Spatial Extreme Value .......................................................................... 19
3.6 Max-Stabble Process ............................................................................ 20
3.7 Koefisien Ekstermal ............................................................................. 21
3.8 Copula................................................................................................... 22

vi
 3.8.1 Copula Gaussian ....................................................................... 24
3.8.2 Copula Clayton ......................................................................... 25
3.8.3 Copula Gumble ......................................................................... 26
3.8.4 Copula Frank ............................................................................ 26
3.8.5 Copula Joe ................................................................................ 27
3.8.6 Copula Clayton-Gumbel (BB1) ................................................ 28
3.8.7 Copula Joe-Gumbel (BB6) ....................................................... 29
3.8.8 Joe – Clayton (BB7) ................................................................. 30
3.8.9 Copula Joe-Frank (BB8) ........................................................... 30
3.9 Pemiliihan Model Terbaik .................................................................... 31
3.10 Korelasi ................................................................................................. 32
3.10.1 Korelasi Rank Spearman .......................................................... 34
3.10.2 Korelasi Rank Kendall’s Tau (τ) .............................................. 34
3.11 Distribusi Poisson ................................................................................. 35
3.12 Distribusi Binomial Negatif.................................................................. 37
3.13 Ukuran Kesalahan Peramalan ............................................................... 37
3.13.1 MAPE ( Mean Absolute Percentage Error ) ............................. 37
3.13.2 MASE ( Mean Absolute Scaled Error ) .................................... 39
BAB IV METODOLOGI PENELITIAN ............................................................. 44
4.1 Populasi dan Sampel Penelitian............................................................ 44
4.2 Sumber Data ......................................................................................... 44
4.3 Variabel Penelitian ............................................................................... 44
4.4 Metode Analisis Data ........................................................................... 45
BAB V PEMBAHASAN ...................................................................................... 49
5.1 Deskripsi Data Curah Hujan ................................................................. 49
5.2 Penentuan Data Sampel dengan Block Maxima ................................... 50
5.3 Uji Kesesuaian Distribusi ..................................................................... 51
5.4 Dugaan Nilai Parameter GEV Univariat .............................................. 52
5.5 Dependensi Spatial Curah Hujan Ekstrem ........................................... 53
5.6 Estimasi Parameter Spatial Extreme Value dengan pendekatan Copula
54

vii
 5.6.1 Transformasi Data Marginal GEV ke Copula .......................... 54
5.6.2 Penentuan Kombinasi Model Trend Surface Terbaik
menggunakan pendekatan Copula Gaussian ........................................ 55
5.7 Estimasi Parameter Gaussian Copula ................................................. 57
5.8 Membangkitkan Data Random dengan Hasil Estimasi Parameter
Gaussian Copula ............................................................................................... 57
5.9 Prediksi Curah Hujan dengan Gaussian Copula ................................... 58
5.10 Korelasi Antara Data Curah Hujan dan Korban Bencana Banjir ......... 61
5.11 Estimasi Parameter Data Rumah Rusak Akibat Bencana Banjir ......... 62
5.12 Transformasi Distribusi Data Rumah Rusak ke Margin Copula .......... 63
5.13 Fitting Copula dan Estimasi Parameter Copula .................................... 63
5.14 Prediksi Rumah Rusak dengan Copula Terbaik ................................... 65
BAB VI PENUTUP .............................................................................................. 68
6.1 Kesimpulan ........................................................................................... 68
6.2 Saran ..................................................................................................... 69

viii
 DAFTAR TABEL

Tabel 2.1 Penelitian Terdahulu............................................................................... 6

Tabel 3.1 Skala Kebaikan MAPE......................................................................... 38
Tabel 4.1 Definisi Variabel .................................................................................. 44
Tabel 5.1 Deskripsi Data Curah Hujan pada Provinsi Jawa Barat, Jawa Tengah
dan Jawa Timur ............................................................................................. 49
Tabel 5.2 Hasil Uji Anderson Darling ................................................................. 52
Tabel 5.3 Hasil Estimasi Parameter Distribusi GEV............................................ 53
Tabel 5.4 Hasil Analisis Dependensi Spasial ....................................................... 54
Tabel 5.5 Hasil Kombinasi Model Trebd Surface ................................................ 55
Tabel 5.6 Hasil Estimasi Parameter Gaussian Copula dengan Model Trend
Surface........................................................................................................... 57
Tabel 5.7 Data Random Menggunakan Gaussian Copula .................................... 58
Tabel 5.8 Prediksi Curah Hujan dengan Gaussian Copula .................................. 60
Tabel 5.9 Besar Error hasil Prediksi Curah Hujan dengan Gaussian Copula ...... 60
Tabel 5.10 Hasil Uji Korelasi Antara Data Curah Hujan Dan Rumah Rusak ...... 61
Tabel 5.11 Hasil Estimasi Parameter Menggunakan Distribusi Poisson ............. 62
Tabel 5.12 Hasil Fitting dan Estimasi Parameter Copula..................................... 63
Tabel 5.13 Prediksi Rumah Rusak dengan Copula Terbaik ................................. 66
Tabel 5.14 Besar Error Hasil Prediksi Rumah Rusak dengan Copula Terbaik .... 67

ix
 DAFTAR GAMBAR

Gambar 3.1. Peta Persebaran Pola Curah Hujan di Indonesia ............................ 10

Gambar 3.2. Ilustrasi Metode Block Maxima ...................................................... 14
Gambar 3.3. Bentuk Pdf Tipe Distribusi GEV .................................................... 17
Gambar 3.4. Visualisasi Copula Clayton ............................................................ 25
Gambar 3.5. Visualisasi Copula Gumbel ............................................................ 26
Gambar 3.6. Visualisasi Copula Frank ................................................................ 27
Gambar 3.7. Visualisasi Copula Joe .................................................................... 27
Gambar 4.1. Flowchart dari analisis penelitian ini ............................................. 47
Gambar 4.2. Flowchart dari analisis penelitian ini ............................................. 48
Gambar 5.1. Analisis Visual dengan Histogram ................................................. 50
Gambar 5.2. Probability plot pada Provinsi Jawa Barat, Jawa Tengah dan Jawa
Timur ............................................................................................................. 51
Gambar 5.3. Grafik Prediksi Curah Hujan dengan Gaussian Copula ................. 59
Gambar 5.4. Grafik Prediksi Rumah Rusak dengan Copula Terbaik .................. 66

x
 DAFTAR LAMPIRAN

Lampiran 1 Data Curah Hujan Provinsi Jawa Barat, Jawa Tengah dan Jawa
Timur (mm/hari)............................................................................................ 73
Lampiran 2 Data Curah Hujan Hasil Block Maxima (mm/hari) ......................... 76
Lampiran 3 Data Kerusakan Rumah Akibat Banjir ............................................ 77
Lampiran 4 Data Lokasi Pos Pematan Curah Hujan ........................................... 78
Lampiran 5 Tabel Anderson Darling .................................................................. 78
Lampiran 6 Transformasi dari distribusi GEV ke Margin Copula (u) ................ 79
Lampiran 7 Data Random menggunakan Gaussian Copula ................................ 80
Lampiran 8 Transformasi Data Random Ke Margin Copula .............................. 82
Lampiran 9 Transformasi Data Rumah Rusak Ke Margin Copula ..................... 84
Lampiran 10 Hasil Estimasi Parameter Keluarga Copula Provinsi Jawa Barat .. 86
Lampiran 11 Hasil Estimasi Parameter Keluarga Copula Provinsi Jawa Tengah
....................................................................................................................... 86
Lampiran 12 Hasil Estimasi Parameter Keluarga Copula Provinsi Jawa Timur 87
Lampiran 13 Syntax Analisis Data Penelitian ..................................................... 88
Lampiran 14 Output Analisis Data Penelitian ..................................................... 97

xi
xii
 ABSTRAK

PEMODELAN KERUGIAN BENCANA BANJIR AKIBAT

CURAH HUJAN EKSTREM MENGGUNAKAN EXTREME
VALUE THEORY DAN COPULA
Ian Surya Prayoga
Program Studi Statistika, Fakultas MIPA
Universitas Islam Indonesia

Perubahan temperatur rerata harian mengakibatkan terjadinya perubahan pola

curah hujan secara ekstrem. Curah hujan yang ekstrem dapat menimbulkan
banyak kerugian seperti banjir, tanah longsor dan gagal panen. Kerusakan yang
disebabkan oleh banjir dapat berupa kerusakan fisik pada bangunan perumahan.
Oleh karena itu, perlu dilakukan suatu upaya untuk mengurangi dampak dari
kerugian akibat dari curah hujan yang ekstrem. Salah satu upaya untuk
mengurangi dampak tersebut yaitu dengan memperkirakaan seberapa parah
kerusakan yang akan dialami ketika terjadi bencana banjir yang disebabkan curah
hujan ekstrem. Pemodelan kerugian dari bencana banjir dapat digunakan untuk
memperkirakan seberapa parah kerusakan yang akan dialami ketika terjadi
bencana banjir akibat curah hujan ekstrem. Pada penelitian kali ini dilakukan
pemodelan kerugian bencana banjir yang disebabkan dari curah hujan yang
ekstrem. Penelitian ini menggunakan Metode Extreme Value Theory dan Copula
untuk melakukan pemodelan. Copula merupakan sebuah fungsi yang
menghubungkan fungsi distribusi marginal menjadi fungsi distribusi multivariat.
Hasil dari pemodelan tersebut didapatkan bahwa model copula terbaik untuk
menjelaskan hubungan ketergantungan antara curah hujan ekstrem dan rumah
rusak pada Provinsi Jawa Barat, Provinsi Jawa Tengah dan Jawa Timur mengikuti
copula Frank. Copula Frank menggambarkan hubungan yang erat ketika kedua
variabel rendah atau kuat dilihat dari nilai parameternya. Nilai parameter ˆ
copula Frank pada Provinsi Jawa Barat sebesar 1.4999840280, nilai parameter ˆ
copula Frank pada Provinsi Tengah sebesar -0.5816995330 dan untuk Provinsi
Jawa Timur nilai parameter ˆ copula Frank sebesar -0.8648329345. nilai
parameter copula frank bernilai positif menunjukan adanya hubungan yang erat
antara curah hujan ekstrem dan rumah rusak akibat banjir ketika keduanya sama –
sama bernilai tinggi. Kemudian dari ketiga Provinsi tersebut juga memiliki
ketergantungan spasial dengan nilai koefisien ekstermal pada ketiga pasang
Provinsi berada pada rentang nilai 1.03- 1.42.

Kata Kunci : Curah Hujan Ekstrem,Banjir, Extreme Value Theory , Copula

xiii
 ABSTRACT

MODELING OF FLOOD DISASTERS LOSSES DUE TO EXTREME

RAINFALL USING EXTREME VALUE THEORY AND COPULA
Ian Surya Prayoga
Program Studi Statistika, Fakultas MIPA
Universitas Islam Indonesia

Daily average temperature changes result in extreme rainfall pattern changes.

Extreme rainfall can lead to many losses such as flooding, landslides and crop
failure. Damage caused by flooding can be physical damage to residential
buildings. Therefore, it is necessary to do an effort to reduce the impact of losses
resulting from extreme rainfall. One effort to reduce the impact is to estimate how
severe damage will be experienced in the event of a flood disaster caused by
extreme rainfall. Modelling losses from flood disasters can be used to estimate
how severe the damage will be experienced in the event of a flood disaster due to
extreme rainfall. In this study, the modeling of flood loss is caused by extreme
rainfall. The research uses the Extreme Value Theory and Copula methods to
modeling. Copula is a function that connects the marginal distribution function to
a multivariate distribution function. The result of the modeling was found that the
best model to explain the relationship between extreme rainfall and damaged
houses in West Java province, Central Java province and East Java followed the
copula Frank. Copula Frank describes a close relationship when both the low or
strong variables are seen from the parameter values. The value of Frank's copula
parameter in West Java province is 1.4999840280, the value of Frank's copula
parameter in the central province is 0.5816995330 and for East Java province
The value of the copula Frank parameter is 0.8648329345. The value of the
parameter copula Frank positively positive indicates a close relationship between
extreme rainfall and houses damaged by flooding when both are equally
high-value. Then, from all three provinces also have spatial dependence with the
value of external coefficients in all three pairs of provinces are in the value range
1.03-1.42.

Keyword: Extreme rainfall, floods, Extreme Value Theory, Copula

xiv
 BAB I
PENDAHULUAN

1.1 Latar Belakang Penelitian

Saat ini pola iklim global maupun regional telah mengalami perubahan akibat dari
pemanasan global yang disebabkan dari efek rumah kaca. Efek rumah kaca
merupakan istilah yang digunakan untuk menggambarkan bumi memiliki efek seperti
rumah kaca dimana panas matahari terperangkap oleh atmosfere bumi. Gas – gas
diatmosfere seperti karbon dioksida (CO2) dapat menahan panas matahari sehingga
panas matahari terperangkap di dalam atmosfere bumi (thetalkingdemocrat.com,
2019). Perubahan Iklim ini memiliki dampak yang sangat luas pada masyarakat.
Kenaikan suhu bumi ini tidak hanya berdampak pada naiknya temperatur bumi tetapi
juga mengubah sistem iklim yang mempengaruhi berbagai aspek pada perubahan
alam dan kehidupan manusia, seperti kesehatan, hutan, habitat, lahan pertanian, serta
kualitas dan kuantitas air. Perubahan iklim yang terjadi di Indonesia umumnya
ditandai adanya perubahan temperatur rerata harian, pola curah hujan, tinggi muka
laut dan variabilitas iklim ( misalnya El Nino dan La Nina, Indian Dipole dan
sebagainya ).
Beberapa studi institusi, baik dari dalam maupun luar negeri menunjukkan bahwa
iklim di Indonesia mengalami perubahan sejak tahun 1960, meskipun analisis ilmiah
maupun data-datanya masih terbatas (sains.kompas.com, 2019). Perubahan
temperatur rerata harian merupakan indikator paling umum akibat dari perubahan
iklim. UK Met Office memproyeksikan peningkatan temperatur secara umum di
Indonesia berada pada kisaran 20 C – 2,50 C pada tahun 2100 berdasarkan skenario
emisi A1B–nya IPCC, yaitu penggunaan energi secara seimbang antara energi
non-fosil dan fosil (UK Met Office, 2011). Data historis mengonfirmasi skenario
tersebut, misalnya kenaikan temperatur linier berkisar 2,60 C per seratus tahun untuk
wilayah Malang (Jawa Timur) berdasarkan analisis data 25 tahun terakhir (KLH,
2012). Peningkatan temperatur rerata harian tersebut berpengaruh secara signifikan
terhadap pola curah hujan yang umumnya ditentukan sirkulasi monsun Asia dan
Australia. Dengan sirkulasi monsun, Indonesia memiliki dua musim utama yang
berubah setiap setengah tahun sekali (musim penghujan dan kemarau). Perubahan

1
 2

temperatur rerata harian juga dapat mempengaruhi terjadinya perubahan pola curah
hujan secara ekstrem. UK Met Office lebih lanjut mencatat kekeringan maupun banjir
parah sepanjang 1997 hingga 2009. Analisis data satelit TRMM (Tropical Rainfall
Measuring Mission) dalam ICCSR (Indonesian Climate Change Sectoral Roadmap;
Bappenas, 2010) untuk periode 2003-2008 memperlihatkan peningkatan peluang
kejadian curah hujan dengan intensitas ekstrem, terutama di wilayah Indonesia bagian
barat (Jawa, Sumatera, dan Kalimantan) serta Papua. Selain itu, dalam kurun waktu
antara tahun 1815 dan 2015 Indonesia mengalami banjir sebanyak 5.903 kali atau
sebesar 36,94%, (BNPB, 2016). Provinsi Jawa Tengah merupakan salah satu provinsi
rawan banjir dengan kategori tinggi (BNPB, 2014).
Selain oleh faktor alam, pada saat ini banjir banyak disebabkan oleh aktivitas
yang dilakukan oleh manusia. Misalnya perubahan tata guna lahan yang dijadikan
kawasan pemukiman atau gedung – gedung mengakibatkan berkurangnya daerah
resapan untuk air hujan. Selain itu banyak masyarakat yang kurang disiplin untuk
membuang sampah pada tempat yang ditentukan dan banyak melanggar dengan
membuang sampah langsung ke alur sungai, hal ini biasa dijumpai di kota-kota besar.
Akibat perilaku masyrakat ini, permukaan air banjir akan menjadi tinggi disebabkan
karena aliran air terhalang.
Kerusakan yang disebabkan oleh banjir dapat berupa kerusakan fisik pada
bangunan perumahan. Perbaikan kerusakan rumah tentu membutuhkan sejumlah
biaya, sehingga kerusakan rumah yang terjadi dianggap sebagai suatu kerugian.
Pemerintah dan beberapa organisasi sosial selalu memberikan bantuan berupa dana
untuk memperbaiki rumah atau bangunan yang terdampak banjir tersebut. Akan tetapi,
bantuan yang diberikan oleh pemerintah dan organisasi tersebut sangatlah terbatas,
sehingga tidak bisa digunakan untuk menutup semua biaya perbaikan rumah atau
bangunan tersebut. Salah satu mekanisme perlindungan yang sudah umum digunakan
untuk melindungi atau menutupi biaya kerusakan rumah ialah asuransi. Perusahaan
asuransi akan memberikan penggantian kepada tertanggung atau pemegang polis
karena kerugian, kerusakan, biaya yang timbul, kehilangan keuntungan, atau
tanggung jawab hukum kepada pihak ketiga yang mungkin diderita tertanggung atau
pemegang polis karena terjadinya suatu peristiwa yang tidak pasti. Oleh karena itu,
pemilik rumah disarankan untuk memiliki jaminan asuransi sebagai bentuk proteksi
 3

finansial. Disinilah kehadiran produk asuransi untuk menjamin resiko kerugian sangat
penting. Saat suatu bangunan rumah telah diasuransikan, maka perusahaan asuransi
akan menentukan kerugian tahunan dan premi asuransi dari kerusakan rumah akibat
banjir.
Salah satu cara yang dapat digunakan perusahaan asuransi dalam menyediakan
persiapan dana untuk menghadapi dampak akibat banjir yaitu menentukan resiko
kerugian. Menentukan resiko kerugian dapat dilakukan dengan melakukan atau
membuat model kerugian akibat bencana banjir. Dalam melakukan pemodelan
kerugian akibat banjir, hal yang harus dilibatkan yaitu data curah hujan ekstrem.
Curah hujan ekstrem yaitu kondisi yang terjadi ketika jumlah hari hujan yang tercatat
paling banyak melebihi harga rata-rata pada bulan yang bersangkutan di stasiun
tersebut (BMKG,2016). Curah hujan ekstrem menimbulkan kerugian di berbagai
sektor misalnya di sektor pertanian. Oleh karena itu, curah hujan ekstrem perlu
mendapatkan perhatian khusus dalam pemodelan kerugian.
Dalam ilmu statistika, salah satu metode yang digunakan untuk mengidentifikasi
kejadian ekstreme yaitu dengan Extreme Value Theory (EVT). EVT dapat
meramalkan terjadinya kejadian ekstrem pada data heavytail. EVT juga dapat
menjelaskan kerugian kejadian ekstrem yang tidak dapat dimodelkan dengan
pendekatan biasa. Konsep dasar EVT adalah mengkaji perilaku stokastik variabel
random baik maksimum maupun minimum (Kotz dan Nadarajah, 2000). Tujuan
metode ini adalah untuk menentukan estimasi peluang kejadian ekstrem dengan
memperhatikan ekor (tail) fungsi distribusi berdasarkan nilai-nilai ekstrem yang
diperoleh. Identifikasi nilai ekstrem dengan EVT dapat dilakukan dengan dua metode
yaitu metode Block Maxima (BM) dan metode Peaks Over Threshold (POT). Metode
Block Maxima (BM) yaitu mengambil nilai maksimum dalam satu periode yang
disebut sebagai blok dan metode Peaks Over Threshold (POT), yaitu mengambil nilai
yang melewati suatu nilai threshold (McNeill, 1999).
Layla (2017) telah melakukan penelitian untuk memprediksi curah hujan ekstrem
yang terjadi di Ngawi, Jawa Timur. Dalam penelitian tersebut melibatkan 11 pos
pengamatan curah hujan dan menggunakan dua metode yaitu EVT dan Copula.
Penelitian tersebut juga membahas adanya kasus dependensi antar lokasi pos
pengambilan data curah hujan ekstrem. Selanjutnya Fitrianti (2016) melakukan
 4

penelitian terhadap asuransi pertanian yang mempertimbangkan faktor iklim yang

menyebabkan risiko gagal panen dengan judul berjudul “ Menentukan Premi Murni
Menggunakan Generalized Linear Models dan Model Copula”. Dalam penelitian ini
data yang digunakan yaitu data luas kerugian gagal panen padi (ha) sebagai variabel
terikat dan data faktor iklim yaitu curah hujan, kelembaban, lamanya penyinaran
matahari, dan suhu sebagai variabel bebas. Metode generalized linear models dan
model copula digunakan untuk menentukan premi murni.
Teknik Copula menawarkan cara yang fleksibel untuk menggambarkan
ketergantungan baik linier maupun nonlinier di antara multivariat data dari distribusi
probabilitas marginal mereka, dan berfungsi sebagai alat yang ampuh untuk
pemodelan serta mensimulasikan data multivariat yang saling terkait. Teknik copula
telah banyak digunakan untuk aplikasi keuangan dan aktuaria (Klugman dan Parsa,
1999; McNeil et al., 2005). Baru-baru ini, teori kopula telah diterapkan pada bidang
ilmu pengetahuan alam dan teknik, seperti hidrologi dan ilmu kelautan (Genest dan
Favre, 2007; Salvadori et al., 2007).
Pada penelitian ini penulis akan melakukan pemodelan kerugian bencana banjir
akibat curah hujan ekstrem di Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur
menggunakan Extreme Value Theory (EVT) dan pendekatan copula. EVT dalam
penelitian ini digunakan untuk memodelkan curah hujan ekstrem. Curah hujan
memiliki ekor distribusi yang gemuk (heavytail) sehingga perlu menggunakan EVT
dalam pemodelannya. Sedangkan copula digunakan untuk menggambarkan
ketergantungan antar variabel curah hujan dan kerugian bencana banjir. Dalam
penelitian ini kerugian akibat banjir yang dimaksud yaitu rumah rusak. Tiga Provinsi
ini dipilih karena merupakan salah satu daerah yang memiliki tingkat kasus bencana
banjir yang tinggi, sehingga apabila terjadi hujan ekstrem yang berkesinambungan
tentu saja berpengaruh terhadap kerusakan atau kerugian.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, diperoleh beberapa rumusan, di antaranya:
a. Bagaimana hasil estimasi parameter pada pemodelan Spatial Extreme Value
dengan pendekatan Copula Spasial?
b. Bagaiamana Dependensi lokasi antara Provinsi Jawa Barat, Jawa Tengah dan
Jawa Timur?
 5

c. Bagaimana model kerugian akibat bencana banjir di Provinsi Jawa Barat,

Jawa Tengah dan Jawa Timur berdasarkan pemodelan Spatial Extreme Value
dengan pendekatan Copula?

1.3 Batasan Masalah

Penelitian ini menggunakan data curah hujan ekstrem dan jumlah kerusakan
rumah di Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur Tahun 2000-2019. Data
curah hujan yg digunakan adalah data curah hujan bulanan karena data tersebut
konsisten dengan ketersediaan data kerusakan rumah akibat banjir. Copula yang
digunakan dalam penelitian ini adalah copula gaussian dan copula keluarga
archimedian. Pada penelitian ini hanya mempertimbangkan pengaruh curah hujan
terhadap kerusakan rumah, tanpa mempertimbangkan faktor lain. Penelitian ini
menggunakan software R.

1.4 Tujuan Penelitian

Tujuan penelitian berdasarkan rumusan masalah di atas adalah sebagai berikut:
a. Mendapat estimasi parameter pada pemodelan Spatial Extreme Value dengan
pendekatan Copula spasial.
b. Mengetahui Dependensi lokasi antara Provinsi Jawa Barat, Jawa Tengah dan
Jawa Timur.
c. Mendapat model kerugian akibat bencana banjir di Provinsi Jawa Barat, Jawa
Tengah dan Jawa Timur berdasarkan pemodelan Spatial Extreme Value
dengan pendekatan Copula.

1.5 Manfaat Penelitian

Adapun manfaat yang diharapkan dengan hasil penelitian ini adalah sebagai
berikut:
a. Menerapkan metode Statistika untuk menjelaskan kejadian ekstrem,
sehingga dapat dijadikan pengetahuan dalam mengidentifikasi
kejadian ekstrem.
b. Selain itu diharapkan hasil penelitian dapat dimanfaatkan oleh pihak
terkait seperti BPBD atau perusahaan asuransi untuk menanggulangi
kerugian akibat bencana banjir.
 6

BAB II
TINJAUAN PUSTAKA

Berikut ini merupakan referensi dari objek penelitian ini, dirangkum beberapa
penelitian terdahulu yang menggunakan metode extreme value theory dan copula,
serta banjir sebagai objek penelitian.
Tabel 0.1 Penelitian Terdahulu
No Nama peneliti Judul Penelitian Tahun Isi
1. Hariani Fitriani Menentukan 2016 ➢ Tujuan penelitian ini adalah menentukan
premi murni yaitu dengan menggunakan
Premi Murni
data luas kerugian gagal panen padi (ha)
Menggunakan sebagai variabel terikat dan data faktor
iklim yaitu curah hujan, kelembaban,
Generalized
lamanya penyinaran matahari, dan suhu
Linear Model dan sebagai variabel bebas.
➢ Hasil penelitian ini adalah dependensi
Model Copula
ekor yang cukup kecil hampir untuk
semua negara, dan sebagian besar
hubungannya simetris. Dan juga
ketergantungan ekor relatif kuat untuk
pengembalian indeks saham
negara-negara konsumen dan penghasil
minyak besar (Amerika Serikat dan
Kanada).
➢ Metode yang digunakan: Generalized
Linear Model dan Model Copula
2. Layla Fickri Estimasi 2017 ➢ Tujuan penelitian ini adalah mengkaji
estimasi parameter pada pemodelan
Amalia Parameter Pada
Spatial Extreme Value dan mendapat
Pemodelan model curah hujan ekstrem di Kabupaten
Ngawi.
Spatial Extreme
➢ Hasil penelitian menunjukkan bahwa
Value dengan estimasi parameter SEV dengan MPLE
diperoleh penyelesaian yang tidak close
Pendekatan
form, sehingga dilanjutkan dengan
Copula metode iterasi Nelder-Mead. Nilai
koefisien ekstermal berkisar antara
1,2-1,7 yang berarti bahwa data curah
hujan ekstrem antar lokasi pos hujan di
Kabupaten Ngawi terdapat dependensi.
Kinerja prediksi curah hujan ekstrem
dengan metode Spatial Extreme Value
dengan pendekatan copula diperoleh
RMSE sebesar 38,115.
➢ Metode Estimasi parameter yang
digunakan untuk Spatial Extreme Value
dengan pendekatan copula adalah
Maximum Pairwise Likelihood
Estimation (MPLE).
 7

No Nama peneliti Judul Penelitian Tahun Isi

3. Renata P Plate, Penentuan 2020 ➢ Tujuan penelitian ini adalah

menghitungan kerugian tahunan dan
dkk Kerugian Tahunan
premi asuransi dari kerusakan rumah
Dengan akibat banjir, berdasarkan data perbulan
debit air sungai Curug Agung dari 1
Pemodelan
Januari 2009 hingga 31 December 2013
Kebencanaan yang diperoleh dari Balai Besar Wilayah
Sungai (BBWS) Citarum.
Alam dan Premi
➢ Hasil dalam studi kasus pada penelitian
Asuransi Pada ini yaitu kerugian tahunan dari kerusakan
rumah akibat banjir dengan
Kerusakan Rumah
menggunakan pemodelan kebencanaan
Akibat Banjir alam adalah sebesar Rp15.154.000,00.
Premi asuransi dari kerusakan rumah
akibat banjir dengan menggunakan
prinsip ekivalen adalah sebesar
Rp7.284.000,00.
4. Muzakar Isa Asuransi dan 2017 ➢ Penelitian ini bertujuan untuk
menganalisis faktor-faktor yang
Pengurangan
mempengaruhi pelaku usaha dalam
Risiko Banjir di mengikuti asurasi di Kabupaten Klaten
Provinsi Jawa Tengah.
Kabupaten Klaten
➢ Hasil dari penelitian ini adalah variabel
pendapatan, jarak rumah dengan sumber
banjir, jumlah pengalaman frekuensi
banjir dan persepsipengusaha terhadap
pihak asuransi untuk membayar klaim
tidak berpengaruh signifikan terhadap
keikutsertaan asuransi.
➢ Metode analisis yang digunakan adalah
analisis regresi logistic.
5. Katsuichiro Seismic risk 2013 ➢ Penelitian ini membahas tentang
pendekatan statistik baru untuk
Goda, Jiandong exposure
mengkarakterisasi distribusi probabilitas
Ren modelling of kerugian seismik dari suatu potofolio
asuransi berdasarkan teori nilai ekstreme
insurance
dan copula
portofolio using ➢ Hasil dari penelitian ini yaitu model
kehilangan seismik mencapai perkiraan
extreme value
yang memuaskan untuk model berbasis
theory and copula teknik gempa, dan dapat digunakan untuk
analisis portofolio asuransi yang
kompleks. Penggunaan model statistik
yang dikembangkan mengakibatkan
beban komputasi hanya sebagian kecil
dari yang berbasis rekayasa gempa
model.
➢ Metode analisis yang digunakan adalah
extreme value theory dan copula
 8

No Nama Peneliti Judul Penelitian Tahun Isi

6. Sutopo Purwo Evaluasi dan 2002 ➢ Pada penilitian ini data curah hujan
harian yang diperoleh yang berasal dari
Nugroho Analisis Curah
BMG, Departemen Kimpraswil, Dinas
Hujan Sebagai PU DKI Jakarta, dan BPPT akan
dianalisis dengan membandingkan
Faktor Penyebab
dengan analisis frekuensi hujan
Bencana Banjir maksimum untuk daerah jakarta dan
sekitarnya.
Jalarta
➢ Hasil dari penelitian ini yaitu Banjir yang
terjadi pada tanggal 27 Januari hingga 1
Februari 2002 disebabkan adanya curah
hujan yang tinggi, dimana curah hujan
tersebut bukan hanya di Jakarta namun
juga di daerah penyangganya. Terjadinya
curah hujan dengan intensitas besar dan
durasi lama disebabkan karena adanya
pusat tekanan rendah di atas Selat Sunda
dan di Samudera Hindia.
➢ Metode yang digunakan: metode gumbel

7. B. Renard dan Use of a Gaussian 2007 ➢ Tujuan dari penelitian ini adalah untuk
menyajikan beberapa kemungkinan
M. Lang copula for
aplikasi dari Gaussian copula dalam
multivariate mitigasi bencana banjir.
➢ Hasil dari penelitian ini adalah analisis
extreme value
multivariate extreme value cenderung
analysis: Some meningkatkan resiko hidrologi. Analisis
multivariate extreme value digunakan
case studies in
tanpa formal model statistik untuk
hydrology memperhitungkan ketergantungan.
8. Fermin Mallor, An introduction to 2009 ➢ Penelitian ini bertujuan untuk
menghitung kecepatan angin ekstrem di
dkk statistical
Schiphol, Belanda.
modelling of ➢ Hasil estimasi kecepatan angin dengan
return level 50 menggunakan interval
extreme values.
konfidensi 95% yaitu 255.396 -
Application to 305.700
➢ Metode yang digunakan Extreme Value
calculate extreme
Theory
wind speeds

Berdasarkan tabel di atas, dapat disimpulkan bahwa beberapa penelitian tersebut

melakukan pemodelan nilai ekstrem menggunakan metode extreme value theory
dengan pendekatan copula dan melakukan pemodelan kerugian akibat dari bencana
alam. Pada penilitian ini akan dilakukan pemodelan kerugian akibat dari bencana
banjir menggunakan metode extreme value theory dengan pendekatan copula. Pada
penelitian sebelumnya hanya menggunakan variabel curah hujan ekstrim dan
dianalisis secara spasial menggunakan copula gaussian. Sedangkan dalam penelitian
 9

ini dikembangkan lagi dengan penambahan variabel rumah rusak untuk melihat ada
tidaknya hubungan antara variabel curah hujan dengan variabel rumah rusak. Selain
itu dalam penelitian ini tidak hanya menggunakan copula gaussian, tetapi juga
menggunakan copula keluarga archimedian.
 BAB III
LANDASAN TEORI

3.1 Pengertian Curah Hujan

Hujan adalah sebuah proses kondensasi uap air di atmosfer menjadi butir air yang
cukup berat untuk jatuh dan biasanya tiba di permukaan. Hujan biasanya terjadi karena
pendinginan suhu udara atau penambahan uap air ke udara. Hal tersebut tidak lepas dari
kemungkinan akan terjadi bersamaan. Turunnya hujan biasanya tidak lepas dari pengaruh
kelembaban udara yang memacu jumlah titik-titik air yang terdapat pada udara. Indonesia
memiliki daerah yang dilalui garis khatulistiwa dan sebagian besar daerah di Indonesia
merupakan daerah tropis, walaupun demikian beberapa daerah di Indonesia memiliki
intensitas hujan yang cukup besar (Wibowo, 2008).
Curah hujan adalah jumlah air hujan yang jatuh di permukaan tanah dalam kurun
waktu tertentu yang diukur dengan satuan tinggi milimeter (mm) di atas permukaan
horizontal. Dalam penjelasan lain curah hujan juga dapat diartikan ketinggian air hujan
yang terkumpul dalam penakar hujan pada tempat yang datar, tidak menyerap, tidak
meresap dan tidak mengalir. Unsur hujan 1 (satu) milimeter artinya dalam luasan satu
meter persegi pada tempat yang datar tertampung air hujan setinggi satu milimeter atau
tertampung air hujan sebanyak satu liter (BMKG, 2020).
Sifat hujan adalah perbandingan antara jumlah curah hujan selama rentang waktu
yang ditetapkan (satu periode musim hujan atau satu periode musim kemarau) dengan
jumlah curah hujan normalnya (rata-rata selama 30 tahun periode 1981 - 2010). Sifat
hujan dikategorikan menjadi tiga yaitu diatas normal (AN) apabila nilai curah hujan
lebih dari 115% terhadap rata-ratanya, normal (N) apabila nilai curah hujan antara
85% sampai 115% terhadap rata-ratanya dan dibawah normal (BN) jika curah hujan
kurang dari 85% terhadap rata- ratanya (BMKG, 2020).
Selain itu curah hujan juga dibedakan menjadi tiga jika ditinjau besarnya
intensitasnya yang meliputi:

9
 10

1. Curah hujan rendah (150-200 mm/bulan)

2. Curah hujan sedang (200-250 mm/bulan)
3. Curah hujan tinggi (250-300 mm/bulan)
Curah hujan dengan intensitas lebih dari 50 milimeter per hari menjadi parameter
terjadinya hujan dengan intensitas lebat, sedangkan curah hujan ekstrem memiliki curah
hujan lebih dari 100 milimeter per hari (BMKG, 2020).

Gambar 0.1. Peta Persebaran Pola Curah Hujan di Indonesia

(BMKG, 2020).
Berdasarkan penjelasan dari BMKG, distribusi rata-rata curah hujan bulanan di
Indonesia memiliki tiga pola hujan yaitu :
1. Tipe Ekuatorial
Pola ekuatorial dicirikan oleh tipe curah hujan dengan bentuk bimodal dengan
dua puncak hujan maksimum yang biasanya terjadi sekitar bulan Maret dan Oktober.
Namun, pada pola ini hampir sepanjang tahun termasuk kedalam kriteria musim
hujan. Di Indonesia, curah hujan yang mengikuti pola ini terjadi di sebagian besar
wilayah Sumatra dan Kalimantan.
2. Tipe Monsoon
 11

Curah hujan dipengaruhi oleh tiupan angin monsoon dan bersifat unimodal (satu
puncak musim hujan, DJF (Desember-Januari-Februari) musim hujan, JJA
(Juni-Juli-Agustus) musim kemarau. Pola curah hujan ini memiliki perbedaan yang
jelas antara periode musim hujan dan periode musim kemarau. Tipe hujan ini terjadi
di wilayah Indonesia bagian selatan, seperti di ujung Pulau Sumatra bagian selatan,
Jawa, Bali, Nusa Tenggara dan Maluku selatan.
3. Tipe Lokal
Pola curah hujan ini dipengaruhi oleh kondisi lingkungan setempat, yakni
adanya perairan sebagai sumber penguapan dan pegunungan sebagai daerah
tangkapan hujan. Pola curah hujan lokal memiliki distribusi hujan bulanan kebalikan
dengan pola monsoon, dicirikan oleh bentuk pola hujan unimodal (satu puncak
hujan), tetapi bentuknya berlawanan dengan tipe hujan monsun. Pola curah hujan ini
terjadi dibeberapa wilayah di Indonesia bagian Timur.

3.2 Banjir
Banjir didefinisikan sebagai tergenangnya suatu tempat akibat meluapnya air yang
melebihi kapasitas pembuangan air disuatu wilayah dan menimbulkan kerugian fisik,
sosial dan ekonomi (Rahayu & Dkk, 2009). Banjir merupakan sebuah peristiwa dimana
dataran yang biasanya kering menjadi digenangi oleh air yang disebabkan oleh curah
hujan yang tinggi dan biasanya daerah tersebut berupa dataran rendah hingga cekung.
Selain itu, terjadinya banjir juga dapat disebabkan oleh limpasan air permukaan (runoff)
yang meluap dan volumenya melebihi kapasitas pengaliran sistem drainase atau sistem
aliran sungai. Terjadinya bencana banjir juga disebabkan oleh rendahnya kemampuan
infiltrasi tanah, sehingga menyebabkan tanah tidak mampu lagi menyerap air. Banjir
dapat terjadi akibat naiknya permukaan air lantaran curah hujan yang diatas normal,
perubahan suhu, tanggul/bendungan yang bobol, pencairan salju yang cepat,
terhambatnya aliran air di tempat lain (Sebastian, 2008).
Berdasarkan faktor penyebab terjadinya, banjir dapat diklasifikasikan dalam dua
kategori, yaitu banjir alami dan banjir oleh tindakan manusia. Banjir akibat alami
dipengaruhi oleh curah hujan, fisiografi, erosi dan sedimentasi, kapasitas sungai,
kapasitas drainase dan pengaruh air pasang. Sedangkan banjir akibat aktivitas manusia
 12

disebabkan karena ulah manusia yang menyebabkan perubahan-perubahan lingkungan

seperti: perubahan kondisi Daerah Aliran Sungai (DAS), kawasan pemukiman di sekitar
bantaran, rusaknya drainase lahan, kerusakan bangunan pengendali banjir, rusaknya
hutan (vegetasi alami), dan perencanaan sistim pengendali banjir yang tidak tepat
(Kodoatie, Robert J, & Sugiyanto, 2002). Pada saat ini banjir yang disebabkan oleh
aktivitas manusia cenderung memiliki andil besar dari penyebab banjir di Indonesia.
Perubahan tata guna lahan yang dijadikan kawasan pemukiman atau gedung – gedung
tanpa memperhatikan kaidah – kaidah konservasi lingkungan mengakibatkan
berkurangnya daerah resapan untuk air hujan. Selain itu banyak masyarakat yang kurang
disiplin untuk membuang sampah pada tempat yang ditentukan masih kurang baik dan
banyak masyarakat yang membuang sampah langsung ke aliran sungai, permasalahan ini
biasa dijumpai di kota-kota besar. Akibat perilaku masyrakat ini, permukaan air banjir
akan menjadi tinggi disebabkan karena aliran air terhalang.

Akibat bencana banjir, bangunan-bangunan atau rumah masyarakat akan rusak atau
hancur akibat terkena terjangan air banjir, terseret arus, daya kikis genangan air,
longsornya tanah di seputar/di bawah pondasi, tertabrak/terkikis oleh benturan dengan
benda-benda berat yang terseret arus. Kerugian fisik cenderung lebih besar bila letak
bangunan dilembah-lembah pegunungan dibanding di dataran rendah terbuka. Banjir
dadakan akan menghantam apa saja yang dilaluinya (Sebastian, 2008).

3.3 Extreme Value Theory (EVT)

Kejadian ekstrem merupakan hal yang penting untuk dikaji, seperti pada bidang
klimatologi, hidrologi, keuangan, ekonomi dan asuransi. Salah satu metode yang
digunakan untuk menganalisis kejadian ekstreme yaitu Extreme Value Theory (EVT).
EVT merupakan salah satu ilmu statistika yang digunakan untuk mempelajari pola atau
perilaku ekor (tail) dari distribusi tersebut, untuk dapat menentukan probabilitas
nilai-nilai ekstremnya (Amalia, 2017). EVT digunakan untuk memodelkan
kejadian-kejadian yang bersifat ekstrem, dimana kejadian ini jarang terjadi dan
berlangsung dalam waktu singkat namun memberikan dampak kerugian yang cukup
besar. EVT biasanya diterapkan pada kejadian yang besar dalam peristiwa alam seperti
 13

curah hujan, banjir, dan polusi udara. EVT digunakan untuk kasus univariat.
Pengaplikasian EVT sudah dimulai lebih dari 50 tahun yang lalu (Coles, 2001) dalam
berbagai bidang, seperti hidrologi, klimatologi, dan teori reliabilitas.
EVT dapat digunakan untuk meramalkan terjadinya kejadian ekstrem pada data
heavytail yang tidak dapat dilakukan dengan pendekatan standar (konvensional) (Amalia,
2017). Metode ini mampu menjelaskan kerugian kejadian ekstrem yang tidak dapat
dimodelkan dengan pendekatan biasa, seperti distribusi normal, karena data finansial
tidak bersifat normal, lebih bersifat fat tail. Fat tail secara umum berarti nilai ekstrem
yang terjadi lebih sering jika dibandingkan dengan data normal (Dharmawan, 2012).
Sebagian besar data iklim seperti curah hujan memiliki ekor distribusi yang gemuk
(heavytail), yaitu ekor distribusi turun secara lambat bila dibandingkan dengan distribusi
normal. Dampaknya adalah peluang terjadinya nilai ekstrem akan lebih besar daripada
distribusi normal. Konsep dasar EVT adalah mengkaji perilaku stokastik variabel random
baik maksimum maupun minimum (Kotz & Nadarajah, 2000). Metode ini bertujuan
untuk mengkaji perilaku stokastik suatu proses pada suatu nilai ambang tertentu. Analisis
ini juga memungkinkan untuk menaksir peluang suatu kejadian melebihi nilai ambang
(Rinaldi, 2016).
Saat ini ada dua pendekatan yang digunakan untuk melakukan analisis menggunakan
EVT yaitu dengan metode Block Maxima (BM) dan metode Peaks Over Threshold (POT).
Metode Block Maxima (BM) yaitu metode yang mengidentifikasi nilai ekstrem dengan
mengambil nilai maksimum data observasi dalam satu periode tertentu yang disebut
sebagai blok. Pendekatan ini hanya menghasilkan satu nilai ekstrem pada setiap blok.
Sedangkan metode Peaks Over Threshold (POT), yaitu pendekatan yang
mengidentifikasi nilai ekstrem dengan mengambil nilai yang melewati suatu nilai batas
(threshold) tertentu (Rinaldi, 2016). Pada Metode POT ini memungkinkan menghasilkan
satu atau lebih nilai ekstrem pada suatu block atau periode tertentu. Metode Block
Maxima (BM) mengacu pada sebaran GEV sedangkan metode Peak Over Threshold
(POT) mengacu pada sebaran Generalized Pareto (Coles, Improving the Analysis of
Extreme Wind Speed with Information-sharing Models, 2001). Pada penelitian kali ini
 14

pendekatan yang digunakan untuk memilihan data ekstrem yaitu dengan pendekatan
Block Maxima.

3.3.1 Metode Block Maxima

Salah satu metode untuk mengidentifikasi nilai ekstrem adalah Block Maxima (BM).
Metode BM adalah metode yang dapat mengidentifikasi nilai ekstrem berdasarkan nilai
tertinggi data observasi yang dikelompokkan berdasarkan periode tertentu yang disebut
blok (Amalia, 2017).
Langkah-langkah pengambilan sampel dengan metode Block Maxima adalah sebagai
berikut:
1. Membagi data ke dalam blok dengan periode waktu tertentu, seperti bulanan,
triwulan, atau tahunan.
2. Setelah blok terbentuk, kemudian mengambil sampel nilai ekstrem dengan cara
menentukan nilai tertinggi atau nilai maksimum dari data pada setiap blok. Sampel
nilai ekstrem tersebut yang selanjutnya akan digunakan dalam analisis.
Berikut merupakan ilustrasi dalam pengambilan data sampel menggunakan metode
BM.

Gambar 0.2. Ilustrasi Metode Block Maxima

(Gilli & Kellezi, 2006)
Gambar 3.2 menunjukkan ilustrasi tentang bagaimana pengambilan sampel dengan
metode BM. Dalam ilustrasi tersebut, data curah hujan dalam setahun dibagi menjadi 3
blok. Blok pertama curah hujan pada bulan pertama sampai keempat, blok kedua curah
hujan bulan kelima sampai kedelapan dan blok ketiga curah hujan bulan kesembilan
 15

sampai bulan ke 12. Nilai maksimum setiap blok akan digunakan sampel ekstrem untuk
masing – masing blok. Pada ilustrasi Gambar 3.2 nilai observasi maksimum pada blok
pertama adalah y2 , nilai y2 akan dijadikan sampel ekstrem untuk blok pertama dengan

simbol dari sampel ekstrem blok pertama adalah x1 sehingga y2 = x1 . Untuk blok
kedua nilai maksimum observasi adalah y7 , nilai y7 akan dijadikan sampel ekstrem

untuk blok pertama dengan simbol dari sampel ekstrem blok pertama adalah x2

sehingga y7 = x2 . Untuk blok ketiga nilai maksimum observasi adalah y11 , nilai y11

akan dijadikan sampel ekstrem untuk blok pertama dengan simbol dari sampel ekstrem
blok pertama adalah x3 sehingga y11 = x3 dan untuk bulan berikutnya pengambilan

sampel dilakukan dengan cara yang sama.

3.3.2 Distribusi Generalized Extreme Value (GEV)

Metode block maxima mengaplikasikan teorema Fisher dan Tippet (1928) dalam
Gilli dan Kellezi (2006), dimana dalam teorema tersebut menyatakan bahwa data sampel
nilai ekstrem yang diambil dengan metode BM akan berdistribusi Gumble, Frechet atau
Weibull. Kombinasi dari ketiga distribusi ini masuk ke dalam satu keluarga disebut
sebagai distribusi Generalized Extreme Value (GEV). Menurut Mallor, Nualart, dan
Omey (2009) Generalized Extreme Value (GEV) memiliki cumulative distribution
function (CDF) seperti persamaan (3.1) sebagai berikut :
 
− 
1
    x −    
exp − 1 +      ,−  x  ,   0,−    ,   0
      
F ( x;  ;  ;  ) =    (3.1)

   x −  
exp − exp    ,−  x  ,  = 0,−    ,   0
   

Probability distribution function (pdf) untuk distribusi GEV seperti persamaan (3.2).
 1  − 
1

1   x −  
−
    x −      x−
 1 +    exp − 1 +      ,   0,1 +   0
             
f ( x;  ,  ,  ) =    (3.2)

1 x −     x −  
 exp   exp − exp   , = 0
       
 16

Dimana x adalah nilai ekstrem yang diperoleh dari block maxima dengan -∞ < x < ∞,
μ adalah parameter lokasi (location) dengan -∞ < μ < ∞, 𝜎 adalah parameter skala (scale)
dengan 𝜎 > 0 dan  adalah parameter bentuk (shape) dengan -      .
Distribusi GEV dibedakan menjadi tiga tipe apabila dilihat berdasarkan nilai
parameter bentuk  yaitu Tipe 1 berdistribusi Gumbel, Tipe 2 berdistribusi Frechet, dan
Tipe 3 berdistribusi Reversed Weibull. Tiga tipe tersebut memiliki CDF masing – masing
yang didefinisikan pada persamaan (3.3) sampai persamaan (3.5) sebagai berikut:
a. Distribusi Gumbel ( distribusi extreme value tipe I) untuk  = 0

  x −  
F ( x;  ,  ) = exp − exp  − ,−  x   (3.3)
   

b. Distribusi Frechet ( distribusi extreme value tipe II) untuk   0

0 ,x  

  − 
1
F ( x;  ,  ) =    x−    (3.4)
exp −  −    , x  
    
  

c. Distribusi Reversed Weibull ( distribusi extreme value tipe III) untuk   0

  − 
1
   x−    , x  
exp −  −  
F ( x;  ,  ) =      
  (3.5)

1 ,x  

Dimana untuk semua tipe distribusi I, II dan III 𝜎 > 0 dan −∞ < 𝜇 < ∞. Bentuk
distribusi GEV mengarah pada distribusi Gumbel untuk  = 0 , distribusi Frechet untuk
  0 dan distribusi Reversed Weibull untuk   0 . Nilai  merupakan parameter

bentuk ekor (tail) dari distribusi. Semakin besar nilai  maka distribusi akan memiliki
ekor yang semakin berat (heavytail) sehingga peluang terjadinya nilai ekstrem semakin
besar. Menurut Finkenstadt dan Rootzen (2004) untuk parameter dengan bentuk  = 0
dikatakan “medium tail” ada juga menyebutnya “exponential tail” , untuk   0
dikatakan “long tail” dan untuk   0 dikatakan “short tail”. Ketiga tipe distribusi
 17

GEV diatas menunjukkan bahwa distribusi yang memiliki ekor paling heavytail ialah
distribusi Frechet untuk   0 .

Gambar 0.3. Bentuk Pdf Tipe Distribusi GEV

(Azizah, 2016).
Gambar 3.3 menunjukkan bentuk pdf dari 3 Tipe distribusi GEV yaitu distribusi
Gumbel (type I), Frechet (type II), dan Reversed Weibull (type III) (Mallor, Nualart,
Omey, 2009). Distribusi Gumbel kurva bersifat normal dan nilai 𝜇 tepat di 0, sedangkan
untuk distribusi frechet kurva distribusinya miring ke kanan dan nilai 𝜇 berada di -0.5,
sementara untuk distribusi reversed weibull kurva distribusinya miring ke kiri dan nilai 𝜇
berada di 0.5. Perbedaan kurva distribusi ini karena pengaruh nilai  , pada saat nilai
  0 menyebabkan nilai modusnya bergeser ke arah kanan dan saat nilai   0

menyebabkan nilai modusnya bergeser ke arah kiri.

3.3.3 Estimasi Parameter Distribusi Generalized Extreme Value (GEV).

Estimasi parameter distribusi GEV dapat dilakukan dengan metode Maximum
Likelihood Estimation (MLE). Estimasi parameter MLE didapatkan dengan cara
memaksimumkan fungsi likelihood. Fungsi likelihood didapatkan dari perkalian PDF
dari sampel random. Estimasi parameter dengan metode MLE dilakukan dengan langkah
– langkah sebagai berikut:
1. Mengambil Sebanyak n sampel random x1 , x2 , x3 , , xn .
 18

2. Membuat fungsi likelohood dimana fungsi likelihood merupakan peluang

bersama dari x1,x2,x3,...,xn. Fungsi likelihood dari pdf distribusi GEV untuk
  0 sebagai berikut.
n
L( ,  ,  | x1 , x2 , x3 ,  , xn ) =  f ( ,  ,  )
i =1
1
− −1  − 
1 (3.6)
1  xi −      x −   
n
 
L( ,  ,  ) =   1 +   


exp − 1 +   i
     
 
i =1
 
3. Memaksimumkan fungsi likelihood dengan cara membuat ln dari fungsi
likelihood yaitu sebagai berikut.
n − −1 
1  n − 
1
  x −      x −  

ln (L( ,  ,  )) = ln ( )− n  1 +   i
  

 



exp − 1 +   i
 
  
 
(3.7)
 i =1   i =1 
4. Mendapatkan turunan pertama dari parameternya yaitu 𝜇, 𝜎, dan 𝜉 kemudian
disamakan dengan nol.
1
−1 − −1
 ln (L( ,  ,  ))  1 +   n   xi −    1 n   x −   

=  
   i =1 
1 +  

  
 − − 1 +   i
 i =1    

  = 0 (3.8)

1
−1 − −1
 ln (L( ,  ,  )) n n
 x −    x −  
n
 x −    x −    
   
= − + (1 +  )  i 1 +   i  −  i 2 1 +   i  
     i=1       
= 0 (3.9)
i =1 

−1
 ln (L( ,  ,  )) n
  x −    1   xi −  
n
 xi −   
 
1
=− 2 ln 1 +   i  −  + 1
  
 1 +    
  i =1         i =1      
1  xi −    (3.10)
−    
  xi −     −   
n n n
     =0
 1 +    
 1 x 1
 ln 1 +   i
 −
i =1
     i =1 
2
    i =1 1 +   xi −   
  
   
(Amalia, 2017).
 19

3.4 Pengujian Kesesuaian Distribusi

Dalam melakukan pengujian kesesuaian distribusi, dapat dilakukan menggunakan
uji Anderson Darling. Uji Anderson Darling adalah suatu uji yang digunakan untuk
mengetahui apakah suatu data mengikuti distribusi tertentu atau tidak. Pengujian
kecocokan distribusi GEV terhadap data ekstrem dapat dilakukan menggunakan uji
Anderson Darling dengan prosedur (Engmann & Cousineau, 2011).
Berikut merupakan hipotesis pada Uji Anderson Darling
1. Uji Hipotesis :
H0: F(x) =F*(x) (Data mengikuti distribusi teoritis F*(x))
H1: F x ≠ F*(x) (Data mengikuti distribusi teoritis F*(x))
2. Statistik Uji :

 (2i − 1)(ln (F (xi ))) + ln (1 − (F * (xn+1−i )))

n
1
AD = −n − *
(3.11)
n i =1

Keterangan:
F(x) : fungsi distribusi kumulatif data sampel
F*(x) : fungsi distribusi kumulatif
n : ukuran sampel
3. Daerah Kritis
Tolak H0 jika p-value < 𝛼 atau jika nilai ADhitung > ADtabel
4. Kesimpulam :
Kesimpulan didapatkan dengan cara membandingkan nilai ADhitung dengan
nilai ADtabel atau dengan membandingkan nilai p-value dengan tingkat
signifikasi (𝛼).

3.5 Spatial Extreme Value

Pada metode Extreme Value Theory, seringkali pemodelan dilakukan secara
univariat atau pada satu lokasi, khususnya pada data environment dimana kejadian
ekstrem seperti hujan lebat, badai, salju, gempa bumi terjadi di beberapa lokasi berbeda
yang berdekatan (Amalia, 2017). Biasanya untuk peristiwa curah hujan yang ekstrem
diukur berdasarkan lokasi sehingga pendekatan extreme value theory tidaklah cukup,
 20

oleh karenanya diperlukan pemodelan spatial extreme value untuk menduga curah hujan
ekstrem.
Salah satu pendekatan yang dapat digunakan untuk melakukan pemodelan spatial
extreme value yaitu menggunakan multivariate extreme value. Data spasial merupakan
data multivariat karena diamati pada beberapa lokasi akibatnya ada asumsi tambahan
yang harus dibuat, seperti asumsi dependensi spasial agar dapat bekerja pada model
yang digunakan. Pada kasus ini, data ekstrem dari beberapa lokasi yang berbeda
dipandang sebagai variabel multivariat atau berdistribusi multivariat. Misalkan S(i,p)
adalah data kejadian ekstrem pada lokasi ke-i dan periode waktu ke p, pada domain
spasial D ⊂ R2. Distribusi dari S(i,p) adalah:
S (i, p) ~ GEV((i, p), (i, p), (i, p)) (3.12)
Dimana  (i, p) ,  (i, p) dan  (i, p) merupakan parameter lokasi, skala dan bentuk
dari distribusi GEV dimana p = 1,2,...,P dan i = 1,2,...,I. Parameter distribusi GEV
mengikuti model trend surface yang mempunyai bentuk persamaan model regresi
berganda dengan koordinat (latitude) dan bujur (longitude) sebagai variabel penjelas
(Hakim, 2016). Dengan asumsi bahwa tiap komponen pada tiap lokasi berdistribusi GEV,
selanjutnya dilakukan transformasi seperti pada persamaan (3.23). Dalam konsep spasial
kejadian pada suatu lokasi yang berdekatan cenderung memiliki kemiripan atau memiliki
hubungan yang cukup erat daripada kejadian pada lokasi yang lebih jauh (Amalia, 2017).
Salah satu pendekatan yang dapat digunakan untuk pemodelan spatial extreme value
adalah melalui multivariate extreme value. Pada data multivariat, pendekatan yang sering
digunakan adalah pendekatan copula dan proses max-stable.

3.6 Max-Stabble Process

Max Stable Processes (MSP) merupakan perluasan dari distribusi multivariate
extreme value ke dimensi tak hingga (infinite dimension). Suatu fungsi distribusi G
dikatakan max stable jika dan hanya jika G berdistribusi GEV (Ramadhani I. R., 2015).
Dalam metode MSP, sampel diambil dari nilai maksimum (Maxima) pada setiap lokasi
(proses spasial) (Cooley, Nyckah, & Naveau, 2007). Dalam konsep spasial ekstrem
terdapat dua metode pendekatan yaitu max-stable dan copula (Davison, Padoan, &
 21

Ribatet, 2012). Perbedaan dari dua metode ini adalah pada saat memodelkan dan proses
transformasinya. Untuk pemodelan dan estimasi, Copula menggunakan model Copula
elliptical yaitu gaussian dan student t, sementara max-stable menggunakan model
schlater, smith dan brown-resnick.
Untuk proses transformasinya kedua pendekatan ini menggunakan proses sama yaitu
max-stabel karena proses max-stabel membawa data ke distribusi frechet, akan tetapi
proses transformasi copula menggunakan transformasi sifat ke-1 dan proses max-stabel
menggunakan transformasi sifat ke-2. Sifat transformasi max-stable adalah sebagai
berikut:
1. Distribusi marginal satu dimensionalnya mengikuti distribusi GEV
X ~ GEV (  ,  ,  ) dengan fungsi distribusi sebagai berikut:

   (x −  )1 /  
F (  ,  ,  ) = exp − 1 +  ,−   ,   ,   0
    
(3.13)
Dimana  adalah parameter lokasi,  adalah parameter skala (scale) dan 
adalah parameter bentuk (shape).
2. Distribusi marginal k-dimensional mengikuti distribusi multivariat extreme value.
Z ( j ) adalah proses max-stable yang memiliki margin Frechet unit dengan fungsi
distribusi berikut.
F (z ) = exp (− 1 z ), z  0 (3.14)

Proses ini dapat diperoleh dengan mentransformasi x( j ) menjadi persamaan

(3.15) sebagai berikut.
1 
Z ( j ) = 1 +  (x −  )

 (3.15)
   

Dimana  (x),  (x),  (x) adalah suatu fungsi kontinyu. Proses Z ini juga disebut
max-stable (Padoan, Ribatet, & Sisson, 2010).

3.7 Koefisien Ekstermal

Dalam pemodelan nilai ekstrem menggunakan max stable processes, pengukuran
dependensi spasial antar lokasi sangat diperlukan. Salah satu cara untuk mengukur
 22

tingkat dependensi spasial yaitu menggunakan koefisien ekstermal. Koefisien ekstremal

merepresentasikan keterkaitan antar nilai ekstrem pada tiap pasangan lokasi. Salah satu
cara untuk mengetahui ukuran dependensi dari model MSP adalah melalui fungsi
koefisien ekstremal θ(h) (Schlather & Tawn, 2003).
Koefisien ekstermal diperkenalkan oleh Smith yang didefinisikan pada persamaan
(3.16) sebagai berikut:
 h j,k T s j,k −1h j,k 
(
θ h j,k ) 
= 2Φ  (3.16)
 2 
 
Dimana :
( )
θ h j,k = Nilai Koefisien ekstermal

Φ = Fungsi distribusi kumulatif normal standart

s j,k = Matriks kovarian dari variabel lokasi ke-j dan ke-k

h j,k = vektor jarak antara lokasi j dengan k,

perhitungan jarak berdasarkan jarak euclid dengan persamaan sebagai berikut

(lat1 − lat 2 )2 + (lon1 − lon2 )2 . Nilai ( )

θ h j,k ( )
memiliki kisaran 1 < θ h j,k < 2. Nilai

( )
θ h j,k semakin mendekati 1 mengindikasikan bahwa antar dua wilayah memiliki

hubungan yang independen. Sedangkan apabila nilai θ h j,k ( ) semakin mendekati 2

mengindikasikan bahwa antar dua wilayah memiliki hubungan yang independen

(Davison, Padoan, & Ribatet, 2012).

3.8 Copula
Menurut teorema sklar, copula merupakan suatu fungsi yang menghubungkan fungsi
distribusi multivariat dengan distribusi marginalnya (Nelsen & Flores, 2005). Teorema
Sklar menjelaskan peran yang dimainkan copula dalam hubungan antara fungsi distribusi
multivariat dan margin univariatnya. Copula menawarkan cara yang fleksibel untuk
menggambarkan ketergantungan baik linier maupun nonlinier di antara data multivariat
dari distribusi probabilitas marginal mereka dan berfungsi sebagai alat yang ampuh untuk
pemodelan serta mensimulasikan data multivariat yang saling terkait. Copula dapat
 23

mengeksplorasi dan mengkarakterisasi struktur dependensi antar variabel random melalui

fungsi distribusi marginal (Gudendorf, & Segers, 2010). Pada saat ini, Copula telah
diterapkan diberbagai bidang ilmu pengetahuan alam dan teknik, seperti hidrologi dan
ilmu kelautan (Genest & Favre, 2007).
Copula terbagi menjadi dua macam families, yaitu elliptical copula dan archimedian
copula. Untuk kasus Spatial Extreme Model copula yang dapat digunakan adalah
elliptical copula kerena keluarga copula elliptical ini mampu menggambarkan kekuatan
ketergantungan antara pasangan variabel spasial (AghaKouchak, Easterling, Hsu,
Schubert, & Sorooshian, 2013). Copula yang termasuk dalam elliptical copula adalah
Gaussian copula dan Student’s t-copula.
Kelas copula yang memungkinkan untuk berbagai macam struktur ketergantungan
diberikan oleh keluarga Archimedean (Sch¨olzel & Friederichs, 2008). Copula ini dapat
dibangun dengan generator  sebagai berikut:

C X (u, v ) =  −1 ( (u ) +  (v )) ,0  u,1  v (3.17)

Fungsi generator ini sangat penting, karena melalui fungsi generator dapat diperoleh
koefisien atas dan bawah dari ekor yang disebut U dan L . Lebih umumnya kita

dapat memperpanjang formula ini untuk memasukkan beberapa dimensi, yaitu sebagai
berikut:

C X (u1 , u2,  , um ) =  −1 ( (u1 ) +  (u2 ) +  +  (um )) ,0  um  1 (3.18)

 −1
 (t ) 0  t   (0),
−1  (3.19)
 =
0 0  t   (0),



Dimana  −1 adalah pseudo-inverse kontinu fungsi  dengan domain  −1 = 0, 

dan range  −1 = 0,1.

Berikut generator dari keluarga Copula Archimedian (Sch¨olzel & Friederichs, 2008):
1
Clayton : 𝜙𝐶 (𝑢) = 𝜃 (𝑢−𝜃𝐶 − 1) (3.20)
𝑒 𝜃𝐹𝑢 −1
Frank : 𝜙𝐹 (𝑢) = 𝑙𝑛( 𝑒 𝜃𝐹 −1 ) (3.21)
 24

Gumbel : 𝜙𝐺 (𝑢) = (−𝑙𝑛 𝑢)𝜃𝐺 (3.22)

Joe : 𝜙𝐽 (𝑢) = (−𝑙𝑛 (1 − (1 − 𝑢)𝜃𝐽 ) (3.23)

3.8.1 Copula Gaussian

Copula Gaussian merupakan copula yang sesuai untuk memberikan model dalam
spatial extreme. Copula Gaussian tidak memiliki ketergantungan ekor bagian atas karena
distribusi elips bersifat simetris radial, yang mana koefisien ketergantungan ekor atas dan
bawah adalah sama, maka copula Gaussian tidak memiliki ketergantungan ekor bawah
juga (Ramadhani I. , 2019). Copula Gaussian atau Copula Normal diperoleh dari
transformasi variabel random ke distribusi normal standar. Dalam Copula Gaussian untuk
kasus spatial extreme proses transformasi menggunakan distribusi marginal GEV dengan
persamaan transformasi didefinisikan pada persamaan (3.24) sebagai berikut:
u j = FX j ( xij ) (3.24)

Dengan FX j adalah CDF dari distribusi GEV dan xij adalah data observasi ke-i lokasi

ke-j (Amalia, 2017). Kemudian CDF copula gaussian yaitu seperti persamaan (3.25)
sebagai berikut:

C (u1 , u2 , , um = ( −1 (u1 ),  −1 (u2 ),  ,  −1 (um ));  ) (3.25)

Dimana:
 : CDF distribusi gaussian,
 : Fungsi korelasi
Fungsi korelasi yang digunakan dalam penilitian ini adalah korelasi whittle- mattern.
Fungsi korelasi whittle- mattern dipilih karena fungsi ini lebih fleksibel dan banyak
digunakan meskipun terkadang sulit untuk memperkirakan parameter bentuk (  ). Fungsi
korelasi whittle- mattern didefinisikan pada persamaan berikut (Davison, Padoan, &
Ribatet, 2012).

 
 (h) = 2(c0 + c) −1 (c0 + c )
−1
(|| h||/a )c0 + c Kc0 + c (|| h||/a ) (3.26)

Dimana:
 : Fungsi Gamma,
 25

Kc0 +c : Fungsi Bessel dengan derajat ( c0 + c ) ,

a : Parameter Range,
( c0 + c ) : Parameter Still.

Dari CDF copula gaussian dibentuk pdf copula gaussian, pdf copula gaussian
didefinisikan pada persamaan (3.27) sebagai berikut:
  
c(u1 , u 2 ,  , u m ) = .  .C (u1 , u 2 ,  , u m ) (3.27)
u1 u 2 u m
Menurut teorema sklar peluang bersama copula didefinisikan dengan perkalian antara
pdf distribusi marginal dengan fungsi CDF copula, sehingga fungsi peluang bersama
didefinisikan seperti pada persamaan (3.28) berikut:
f (x1, x2 ,, xm ) = f x1 ( x1 ). f x2 ( x2 ) f xm ( xm ).c(u1, u2 ,, um ) (3.28)

(Schölzel & Friederichs, 2008)

3.8.2 Copula Clayton

Copula Clayton, merupakan copula yang berlawanan dengan copula Gumbel yaitu
memiliki ketergantungan ekor bawah untuk θ > 0. Untuk dua dimensi, persamaan dari
copula Clayton dengan generator copula (3.20), dengan θ ∈ (0,∞) adalah sebagai berikut
(Okhrin, 2015):

(
C (u, v ) = u − + v − − 1 )−1 
(3.29)

Berikut merupakan visualisasi dari copula Clayton.

Gambar 0.4. Visualisasi Copula Clayton

 26

(Ramadhani, 2019).

3.8.3 Copula Gumble

Copula Gumbel merupakan copula yang memiliki ketergantungan ekor atas.
(Embrechts, Lindskog, & McNeil, 2001). Untuk dua dimensi, persamaan dari copula
Gumbel dengan generator copula (3.22), dengan θ ≥ 1 adalah sebagai berikut (Okhrin,
2015):
1⁄
Cθ (u,v)=exp(-[(- ln u)θ +(- ln v)θ ] θ
) (3.30)
Berikut merupakan visualisasi dari copula Gumbel.

Gambar 0.5. Visualisasi Copula Gumbel

(Ramadhani, 2019).

3.8.4 Copula Frank

Copula Frank merupakan salah satu keluarga copula Archimedean dan pertama kali
dikenalkan oleh Frank pada tahun 1979. Untuk dua dimensi, persamaan dari copula
Frank dengan generator copula (3.21), dengan θ ∈ [-1,∞)\ {0} adalah sebagai berikut
(Okhrin, 2015):

C (u, v ) = −
1 
ln 1 +
( )(
eu − 1 ev − 1 ) (3.31)
  e − − 1 

Copula Frank merupakan salah satu copula dari keluarga Archimedean yang tidak
memiliki ketergantungan ekor. Berikut merupakan visualisasi dari copula Frank.
 27

Gambar 0.6. Visualisasi Copula Frank

(Ramadhani, 2019).

3.8.5 Copula Joe

Untuk dua dimensi, persamaan dari copula Joe dengan generator copula (3.23),
dengan θ >1 adalah sebagai berikut (Okhrin, 2015):
1/θ
Cθ (u,v)= 1-((1-u)θ +(1-v)θ -(1-u)(1-v)θ ) (3.32)
Copula Joe mirip dengan Copula Gumble yaitu memiliki ketergantungan ekor atas. Di
mana 𝜃 adalah parameter copula dalam interval (1, ∞).

Gambar 0.7. Visualisasi Copula Joe

(Ramadhani, 2019).
Copula Clayton, Gumble, Frank dan Joe merupakan copula dengan satu parameter.
Selain copula dengan satu parameter tersebut, terdapat juga copula dengan dua
parameter. Copula dengan dua parameter, merupakan gabungan dua copula satu
 28

parameter. Strukturnya yang lebih fleksibel memungkinkan koefisien ketergantungan

ekor atas dan bawah berbeda (Ramadhani I. , 2019). Copula dengan dua parameter
memiliki fungsi generator, sebagaimana berikut:

BB1 (
: u − − 1 ) (3.33)

BB6 : (− log 1 − (1 − u ) ) (3.34)

BB7 (
: 1 − (1 − u ) )  −1
−
(3.35)

1 − (1 − u ) 
BB8 : − log   
(3.36)
 1 − (1 −  ) 
Copula dengan dua parameter, di antaranya adalah sebagai berikut (Buike, 2018) :

3.8.6 Copula Clayton-Gumbel (BB1)

Bagian selanjutnya tentang kopula BB1, BB6, BB7, dan BB8 merupakan konsep
baru copula yang merupakan gabungan dari dua jenis copula.
Copula BB1 adalah copula yang sangat berguna, karena memberikan kombinasi
antara kedua kasus copula Clayton dan Gumbel yang ekstrem. Copula BB1 yang
dihasilkan disajikan di bawah ini (Buike, 2018):
     − 1
( ) ( )
1
  
CBB
,
1
(u, v ) = 1 +  u − 1 + v − 1  ,   0,   1
− −
(3.37)
 
 
Batasan parameter untuk copula BB1, tetap sama seperti untuk model copula satu
parameter, dan begitupun model copula yang terbentuk merupakan gabungan antara
model pembangun copula tersebut, yaitu Clayton-Gumbel. Dengan Demikian copula
BB1, merupakan copula yang memiliki ketergantungan ekor atas dan bawah. Sifat
ketergantungan tersebut sama dengan copula Student-t. Meskipun demikian masih
terdapat perbedaan antara copula Student-t dan BB1. Yaitu copula Student-t memiliki
struktur ketergantungan yang sangat kuat di sekitar pusat, sementara copula BB1 tidak
menunjukkan ketergantungan tersebut. Oleh karena itu, kopula BB1 dapat digunakan
ketika terjadi ketergantungan yang kuat di bagian ekor atas dan bawah. Berikut
merupakan visualisasi dari BB1 Copula.
 29

Gambar 3. 1 Visualisai BB1 Copula

(Ramadhani I. , 2019).

3.8.7 Copula Joe-Gumbel (BB6)

Copula BB6 merupakan gabungan antara copula Joe dan Gumbel copula memiliki
persamaan di bawah ini (Buike, 2018):
1
  
( ) + (− log (1 − (1 − v) ) 
1
       
C , (u, v ) = 1 − 1 − exp −  − log (1 − u )
BB 6
 ,  1,   1 (3.38)
 
 
Copula BB6 hanya memiliki ketergantungan ekor atas. Berikut merupakan
visualisasi dari BB6 Copula.

Gambar 3. 2 Visualisasi BB6 Copula

(Ramadhani I. , 2019).
 30

3.8.8 Joe – Clayton (BB7)

Copula BB7 merupakan copula yang memiliki dua parameter, berasal dari copula
Joe-Clayton. ini berguna untuk memodelkan ketergantungan ekor atas dan bawah.
Densitas BB7 dapat ditunjukkan dalam persamaan di bawah ini (Buike, 2018):
1
 −1  
 
(
CBB, 7 (u, v ) = 1 − 1 −  1 − u  )
−  
+ (1 − v )− − 1

 ,  1,   1

(3.39)

Dan visualisasi untuk copula BB7 adalah sebagai berikut:

Gambar 3. 3 Visualisasi BB7 Copula

(Ramadhani I. , 2019)

3.8.9 Copula Joe-Frank (BB8)

Copula dengan dua parameter yang lain yaitu, gabungan antara copula Joe dan Frank
yang dikenal dengan copula BB8, dengan fungsi sebagai berikut (Buike, 2018):

CBB 8 1  
, (u, v ) = 1 − 1 −
1
1 − (1 − u )(

(1 − v )  )
 1

,   1,0    1 (3.40)
   1 − (1 −  )   

Copula Joe adalah copula ekstrem, yang memiliki ketergantungan ekor bagian atas,
sementara copula Frank tidak memiliki ketergantungan ekor. Berikut merupakan
visualisasi dari copula BB8.
 31

Gambar 3. 4 BB8 Copula

(Ramadhani I. , 2019).
Selain copula yang disebutkan di atas, terdapat juga copula yang dirotasi sebesar 90o,
180o dan 270o dari copula Clayton, Gumbel, Joe, BB1, BB6, BB7 dan BB8. Ketika
memutarnya 180o, hal tersebut berarti diperoleh copula yang sesuai dengan copula
aslinya, sedangkan rotasi 90o dan 270o memungkinkan untuk pemodelan ketergantungan
negatif yang tidak mungkin dilakukan dengan copula standar yang tidak dirotasi. Secara
khusus, fungsi distribusi C90, C180 dan C270 dari copula C yang dirotasi adalah sebagai
berikut (Brechmann & Schepsmeier, 2013):
C90 (u, v ) = v − C (1 − u, v ) (3.41)

C180 (u, v ) = u + v − 1 + C + (1 − u,1 − v ) (3.42)

C270 (u, v ) = u − C (u,1 − v ) (3.43)

3.9 Pemiliihan Model Terbaik

Pemilihan model terbaik dapat menggunakan beberapa kriteria. Salah satu cara
menentukan model terbaik yaitu menggunakan AIC (Akaike’s Information Criterion).
Dimana model terbaik dipilih dengan mempertimbangkan jumlah parameter dalam
model. Semakin kecil nilai AIC, maka model semakin baik dan layak untuk digunakan.
Menurut Ligas dan Banasick (2012) Akaike Information Criterion (AIC) didefinisikan
dengan persamaan (3.44) sebagai berikut:
()
AIC = −2 p ˆ + 2q (3.44)
 32

Dimana  p ̂ ( ) adalah fungsi ln pairwise likelihood. Fungsi ln pairwise likelihood

digunakan pada metode Maximum Pairwise Likelihood Estimation (MPLE)
()
menggantikan fungsi  ˆ pada Maximum Likelihood Estimation (MLE) . Maximum
Pairwise Likelihood Estimation (MPLE) adalah metode estimasi parameter yang
menggunakan fungsi densitas pairwise/berpasangan dari dua variabel. Prinsip dasar
dalam MPLE adalah membuat turunan pertama terhadap masing-masing parameter lalu
menyamakan dengan nol. Fungsi ln pairwise likelihood didefinisikan melalui persamaan
(3.45) berikut ini:
()
 p ̂ = fungsi ln pairwise likelihood
k m −1
( )    ln ( f (u ji , uki ; ˆ ))
m
 p ˆ = (3.45)
i =1 j =1 k = j +1

Nilai dari Akaike Information Criterion (AIC) digunakan untuk menentukan model
trend surface terbaik. Nilai AIC yang paling kecil menunjukan model yang terbaik.
Persamaan model trend surface sebagai berikut:
ˆ ( j ) = ˆ ,0 + ˆ ,1longitude ( j ) + ˆ ,2latitude( j )
ˆ ( j ) = ˆ ,0 + ˆ ,1longitude ( j ) + ˆ , 2latitude( j ) (3.46)
ˆ( j ) = ˆ ,0

Model trend surface parameter ˆ ( p ), ˆ ( p ), ˆ( p ) adalah semua kombinasi model

dengan komponen spasial garis lintang (latitude) dan bujur (latitude). Mulai dari model
parameter hanya dengan satu variabel penjelas sampai model parameter dengan model
kuadratik. Keseluruhan kombinasi model berlaku untuk semua parameter ̂ ( p ) dan

̂ ( p ) , sedangkan untuk parameter ˆ( p ) diasumsikan konstan (Hakim, 2016).

Parameter dan pada model trend surface berdasarkan pdf dari masing – masing model
Max-Stable diperoleh menggunakan metode MPLE.

3.10 Korelasi
Korelasi digunakan untuk mengukur kekuatan dan arah hubungan linier dari dua
veriabel. Dua variabel dikatakan berkorelasi apabila perubahan salah satu variabel
 33

disertai dengan perubahan variabel lainnya, baik dalam arah yang sama ataupun arah
yang sebaliknya. Analisis korelasi merupakan salah satu metode statistika yang
digunakan untuk mengukur keeratan hubungan antara dua variabel dengan menggunakan
suatu bilangan yang disebut koefisien korelasi. Koefisien korelasi adalah ukuran
hubungan linear  antara dua peubah X dan Y Korelasi (Walpole, 1995). Dengan
demikian koefisien korelasi hanya mengukur kekuatan hubungan linier dan tidak pada
hubungan nonlinier. Nilai koefisien korelasi yang kecil (tidak signifikan) bukan berarti
kedua variabel tersebut tidak saling berhubungan. Mungkin saja dua variabel
mempunyai keeratan hubungan yang kuat namun nilai koefisien korelasinya mendekati
nol, Berikut merupakan persamaan dari koefisien korelasi:
n
 (X i − X )(Yi − Y ) (3.47)
i =1
= 12
 n 
 (X i − X )2 (Yi − Y )2 
 
 i =1 
Nilai korelasi berkisar antara -1<ρ<1. Korelasi bernilai positif, berarti hubungan
antara dua variabel adalah searah, akan tetapi jika korelasi bernilai negatif, maka
hubungan antara dua variabel adalah berlawanan. Selain itu, jika taksiran ρ mendekati
satu, hal tersebut menunjukkan hubungan linear sangat kuat, akan tetapi jika taksiran ρ
mendekati nol maka menunjukkan hubungan linear yang sangat lemah.
Korelasi linier adalah ukuran ketergantungan alami untuk normal multivariat atau
lebih luasnya untuk variabel yang berdistribusi eliptik. Penggunaan korelasi selain
distribusi eliptik (misalnya distribusi normal) harus dilakukan dengan hati-hati.
Setidaknya ada beberapa kesalahan dalam penggunaan korelasi, di antaranya adalah
sebagai berikut (Embrecht, McNeil, & Straumann, 1999).
1. Korelasi hanyalah ukuran skalar alami dari ketergantungan pada distribusi ellips,
sehingga korelasi tidak dapat memberikan informasi apa yang ingin diketahui
terkait struktur ketergantungan.
2. Risiko dependen yang secara positif sempurna belum tentu memiliki korelasi 1,
demikian pula untuk risiko dependen negatif sempurna belum tentu memiliki
korelasi −1.
 34

3. Korelasi nol tidak mengindikasikan risiko yang independen/bebas.

4. Korelasi tidak invarian ketika ditransformasi misalnya logX dan logY secara
umum tidak memiliki korelasi yang sama dengan X dan Y. Maksudnya adalah
ketika variabel X dan Y ditransformasi ke dalam bentuk log X dan Y, maka
korelasi X dan Y akan berbeda dengan korelasi log X dan Log Y.
Salah satu alternatif untuk mengatasi permasalahan di atas adalah dengan korelasi
rank, misalnya korelasi Spearman dan Kendall. Korelasi Rank Spearman dan Kendall's
Tau termasuk dalam uji statistik nonparametrik. Dengan korelasi rank, beberapa
kekurangan dari korelasi linear dapat diperbaiki. Meskipun begitu tetap saja masih
terdapat masalah yaitu seperti permasalahan pada uraian nomor satu dan tiga (Ramadhani
I. , 2019).

3.10.1 Korelasi Rank Spearman

Ukuran korelasi nonparametrik yang analog dengan koefisien korelasi Pearson (r)
adalah koefisien korelasi yang dikembangkan oleh Charles Spearman (1908) yaitu
koefisien korelasi peringkat Spearman (Nugroho, Akbar, & Vusvitasari, 2008 ). Korelasi
Rank Spearman digunakan untuk mengukur tingkat asosiasi antar variabel jika data yang
digunakan memiliki skala ordinal atau jika data yang digunakan berskala interval atau
rasio tetapi data tidak normal atau ukuran sampel kecil (≤30), maka data harus
ditransformasikan terlebih dahulu menjadi data dengan skala ordinal untuk dapat
dianalisis menggunakan korelasi Rank Spearman (Ramadhani I. , 2019). Persamaan
untuk menghitung korelasi rank Spearman adalah sebagai berikut (Suliyanto, 2014).
N
6  di 2
i =1
 xy = 1 − (3.48)
N −N 3

Dimana 𝜌𝑥𝑦 merupakan koefisien korelasi rank spearman, 𝑑 2 merupakan kuadrat

selisih antar-ranking dua variabel dan N merupakan jumlah pengamatan.

3.10.2 Korelasi Rank Kendall’s Tau (τ)

Selanjutnya koefisien korelasi yang digunakan Koefisien korelasi yang kedua yang
biasa digunakan untuk mengukur kekuatan korelasi untuk data penelitian dengan skala
 35

pengukuran ordinal adalah koefisien korelasi yang dikenalkan oleh M.G. Kendall (1938)
yaitu koefisien korelasi Kendall-tau yang dinotasikan dengan τ. Koefisien korelasi ini
memiliki sifat yang sama dengan koefisien korelasi peringkat Spearman-rho, tetapi
berbeda dasar logikanya. Jika untuk koefisien korelasi peringkat Sperman-rho
didasarkan pada peringkat (rank), dimana baik variabel X dan variabel Y masing-masing
kita ranking. Sedangkan untuk koefisien korelasi Kendall-tau salah satu variabelnya
yang diberi peringkat (diurutkan), yaitu variabel X saja atau variabel Y saja dalam hal
ini biasanya adalah variabel X. Sedangkan variabel Y akan dilihat apakah nilai variabel
Y itu searah (konkordan) atau berlawanan arah (diskordan) dengan variabel X yang
sudah diurutkan (Nugroho, Akbar, & Vusvitasari, 2008 ). Rumus yang digunakan untuk
pengujian Kendall’s τ adalah sebagai berikut (Suliyanto, 2014).
Nc − Nd
= (3.49)
N ( N − 1)
2
Dimana 𝜏 merupakan koefisien korelasi Kendall Tau, 𝑁𝑐 merupakan jumlah
angka pasangan Konkordan, 𝑁𝑑 merupakan jumlah angka pasangan Diskordan dan N
merupakan jumlah pengamatan.

3.11 Distribusi Poisson

Distribusi poisson pertama kali diperkenalkan oleh Siméon-Denis Poisson (1781–
1840). Distribusi poisson merupakan distribusi diskrit yang mengistemasi probabilitas
munculnya suatu keluaran dalam suatu standar unit tertentu sebanyak x kali. Rata-rata
kemunculan keluaran tersebut perunitnya konstan sebesar standar unit dapat berupa
interval waktu (menit, detik, hari, bulan) atau luas daerah tertentu, contohnya
penerapannya adalah jumlah deringan telepon perjam di suatu kantor, jumlah goresan
atau cacat dari suatu permukaan produk, jumlah bakteri dalam suatu kultur, dan
kesalahan sumbung pada nomor telepon (Shrader, 1991). Fungsi kepadatan peluang
untuk distribusi poisson dengan parameter  adalah:
 36

 e − x
 , x = 0,1,2, 
f (x :  ) =  x! (3.50)
0, x lainnya


Estimator parameter  dapat diperoleh dengan metode Maximum Likelihood

Estimation (MLE). Langkah-langkah metode tersebut adalah sebagai berikut
1. Membuat fungsi likelohood dimana fungsi likelihood merupakan peluang
bersama dari x1,x2,x3,...,xn. Fungsi likelihood dari pdf distribusi poisson untuk
 sebagai berikut.
L( ) = f ( x1 , x2 , x3 ,  , xn ;  )
n
=  f (xi ;  ) (3.51)
i =1
−
n
 xi

e
=
i =1
xi !

e − n 
xi
=
i =1 xi !
n

2. Memaksimumkan fungsi likelihood dengan cara membuat ln dari fungsi

likelihood yaitu sebagai berikut.

e − n 
xi
ln L( ) = ln
i =1 xi !
n

n
= ln e − n + ln   xi !
xi
− ln (3.52)
i =1
n
= −n ln e +  xi ln  − ln  xi !
i =1

3. Mendapatkan turunan pertama dari parameternya yaitu  kemudian

disamakan dengan nol.
 37

d ln L( )
=0
d


1
−n+ xi = 0
(3.53)

1
xi = n

=
 xi
n

3.12 Distribusi Binomial Negatif

Distribusi Binomial Negatif adalah distribusi hasil percobaan bernoulli yang diulang
sampai mendapatkan sukses ke-k. Distribusi Binomial Negatif merupakan distribusi yang
memiliki banyak cara dalam penurunanya. Boswell dan Patil (1970) menunjukkan bahwa
terdapat dua belas cara untuk mendapatkan distribusi Binomial Negatif. Salah satunya
dapat diturunkan sebagai distribusi campuran Poisson-Gamma, akan tetapi penurunan
klasik dari distribusi Binomial Negatif yang paling sering digunakan adalah sebagai
barisan percobaan Bernoulli. Fungsi Probabilitas distribusi Binomial Negatif adalah
sebagai berikut:

 x − 1 k
Pr ( X = x ) =   (1 −  )x − k , x = k , k + 1, k + 2,  (3.54)
 k − 1
Dengan Pr(X=x) adalah probabilitas terjadi sukses ke-k pada percobaan ke x dan 𝜃
merupakan probabilitas sukses dari setiap percobaan konstan.

3.13 Ukuran Kesalahan Peramalan

Dalam melakukan peramalan, baik tidaknya hasil ramalan suatu model sangat
menentukan keputusan apakah model tersebut dipakai atau tidak. Besar kecilnya
kesalahan peramalan tersebut dapat dihitung melalui ukuran kesalahan peramalan,
diantaranya sebagai berikut:

3.13.1 MAPE ( Mean Absolute Percentage Error )

Persentase kesalahan absolut rata-rata atau MAPE memberikan petunjuk seberapa
besar kesalahan peramalan dibandingkan dengan nilai sebenarnya. MAPE digunakan
 38

untuk mengukur ketepatan nilai dugaan model yang dinyatakan dalam bentuk rata-rata
persentase absolut kesalahan dan lebih banyak digunakan untuk perbandingan pada
data-data yang mempunyai skala interval waktu berbeda (Robial, 2018). MAPE
dihitung dengan menjumlahkan setiap kesalahan absolut pada tiap periode dengan
mengurangkan nilai aktual dengan nilai hasil peramalan dibagi dengan nilai aktual
periode tersebut baru kemudian dipresentasekan (Razak, 2017).
Skala pengkategorian nilai MAPE yang digunakan pada penelitian dan formula
perhitungannya dijelaskan pada Tabel 2.7 dan persamaan (18):

1
n
At − Ft
MAPE =   
 n  t =1 At
(3.55)

Keterangan:
At : Data aktual pada periode ke-t

Ft : Data peramalan pada periode ke-t

n : Jumlah periode peramalan yang terlibat

Tabel 0.1 Skala Kebaikan MAPE

MAPE Hasil Peramalan

<10% Sangat Baik
10-20% Baik
20-50% Layak/Cukup
>50% Buruk

Seperti dijelaskan pada Tabel 2.7., suatu model dikatakan memiliki kinerja sangat
baik apabila memiliki nilai MAPE dibawah 10% dan memiliki kinerja baik apabila
nilai MAPE berkisar antara 10% - 20% dan dikatakan layak apabila nilai MAPE
berkisar antara 20% - 50% dan apabila lebih dari itu dikatakan berkinerja buruk
(Razak, 2017). Akan tetapi MAPE memiliki kelemahan menjadi tak terbatas atau
undefined jika ada nilai nol dalam seri.
 39

3.13.2 MASE ( Mean Absolute Scaled Error )

MASE diusulkan oleh Hyndman dan Koehler (2006) sebagai pengukuran yang
umumnya berlaku dari akurasi ramalan tanpa masalah yang terlihat dalam pengukuran
lainnya. Mereka mengusulkan scaling kesalahan berdasarkan MAE in-sample dari
metode perkiraan naive. Dengan menggunakan metode naif, kami menghasilkan
perkiraan satu-periode-depan dari setiap titik data dalam sampel. Oleh karena itu, skala
kesalahan didefinisikan sebagai
mean et
MASE = n
(3.56)

1
Yi − Yi −1
n − 1 i=2

MASE dapat digunakan untuk membandingkan peramalan pada satu seri ataupun
untuk membandingkan hasil perkiraan beberapa seri. Nilai tipikal untuk nilai
satu-langkah MASE kurang dari satu, karena biasanya mungkin untuk mendapatkan
perkiraan lebih akurat daripada metode naive. Nilai MASE multistep sering lebih besar
dari satu, karena menjadi lebih sulit untuk diperkirakan (Hyndman, 2006).
 BAB IV
METODOLOGI PENELITIAN

4.1 Populasi dan Sampel Penelitian

Pada penelitian ini, data populasi yaitu data curah hujan dan kerusakan rumah di
Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur. Sedangkan yang menjadi sampel
pada penelitian adalah data curah hujan dan kerusakan rumah bulanan di Provinsi
Jawa Barat, Jawa Tengah dan Jawa Timur dari periode Maret 2000 sampai dengan
Desember 2019.

4.2 Sumber Data

Penelitian ini menggunakan 242 data sampel, untuk masing-masing variabel.
Data sampel pada penelitian ini dapat dilihat pada Lampiran 1 untuk data curah
hujan dan Lampiran 3 untuk data kerusakan rumah. Data curah hujan diperoleh dari
website dataonline.bmkg.go.id dan untuk data kerusakan rumah diperoleh dari
website dibi.bnpb.go.id.

4.3 Variabel Penelitian

Variabel yang digunakan untuk penelitian terdiri dari dua variabel tiap
Provinsinya. Deskripsi tentang satuan pengukuran, jenis dan sumber data diringkas
dalam tabel di bawah ini
Tabel 0.1 Definisi Variabel

No Nama DOP Satuan

Variabel
1. Curah jumlah air hujan yang jatuh di permukaan tanah mm
Hujan dalam kurun waktu tertentu yang diukur dengan (milimeter)
satuan tinggi milimeter (mm) di atas permukaan

44
 45

horizontal
2. Jumlah Banyaknya rumah yang terdampak akibat banjir Unit
Rumah
Rusak

4.4 Metode Analisis Data

Dalam penelitian ini terdapat dua tahap analisis untuk menyelesaikan rumusan
masalah. Berikut merupakan uraian langkah dari analisis data dalam penelitian ini:
1. Estimasi curah hujan menggunakan spatial extreme, prosedurnya adalah
sebagai berikut:
a) Menghimpun data curah hujan di Provinsi Jawa Barat, Jawa Tengah dan
Jawa Timur dari bulan Maret 2000 sampai Desember 2019.
b) Melakukan analisis deskriptif untuk mean, max, min, kurtosis dan
skewness pada data curah hujan.
c) Mengidentifikasi distribusi data curah hujan di setiap Provinsinya untuk
mengetahui adanya distribusi data heavytail dan nilai ekstrem dengan
histogram.
d) Mengambil sampel ekstrem dengan metode Block Maxima, dengan
membuat blok periode waktu tiga bulan yaitu Desember-Januari-Februari
(DJF), Maret-April-Mei (MAM), Juni-Juli-Agustus (JJA), dan
September-Oktober-Nopember (SON) untuk data curah hujan 2000 -
2019. Sampel nilai ekstrem diambil dari nilai maksimum curah hujan dari
masing-masing blok.
e) Menguji kesesuaian distribusi generalized extreme value (GEV) setiap
lokasi dengan uji Anderson Darling.
f) Menentukan estimasi parameter untuk ˆ , ˆ dan ˆ univariat pada
masing-masing lokasi dengan MLE.
g) Menghitung dependensi spasial data curah hujan ekstrem dengan
menggunakan koefisien ekstremal.
 46

h) Melakukan transformasi data sampel curah hujan ekstrem ke margin

copula.
i) Memilih model trend surface terbaik dari semua kombinasi model
melalui nilai AIC terkecil.
j) Melakukan estimasi parameter distribusi GEV spasial dengan pendekatan
gaussian copula untuk data curah hujan ekstrem.
k) Membangkitkan data dari hasil estimasi parameter gaussian copula.
l) Mentransformasikan data random dari parameter gaussian copula ke
margin copula
2. Pemodelan kerusakan rumah akibat curah hujan ekstrim, prosedurnya adalah
sebagai berikut:
a) Menghimpun data kerusakan rumah di Provinsi Jawa Barat, Jawa Tengah
dan Jawa Timur dari bulan Maret 2000 sampai Desember 2019.
b) Melakukan estimasi parameter untuk data kerusakan rumah menggunakan
metode MLE.
c) Melakukan transformasi rumah rusak ke margin copula.
d) Melakukan fitting dan estimasi parameter copula menggunakan data curah
hujan dan kerusakan rumah yang baru.
e) Mendapatkan model kerusakan akibat bencana banjir.
Berikut merupakan flowchart dari langkah analisis di atas:
 47

Gambar 0.1. Flowchart dari analisis penelitian ini

 48

Gambar 0.2. Flowchart dari analisis penelitian ini

 49

BAB V
PEMBAHASAN

5.1 Deskripsi Data Curah Hujan

Deskripsi curah hujan pada Provinsi Jawa Barat, Jawa Tengah dan Jawa
Timur perlu dilakukan sebagai gambaran umum atau informasi awal untuk
mengetahui karakteristik dari data curah hujan yang digunakan. Data curah hujan dari
tiga provinsi tersebut dimula dari bulan Maret tahun 2000 sampai dengan bulan
Desember tahun 2019. Hasil dari deskripsi data disajikan pada Tabel 5.1 sebagai
berikut:
Tabel 0.1 Deskripsi Data Curah Hujan pada Provinsi Jawa Barat, Jawa Tengah dan
Jawa Timur

No Provinsi Rata- Rata Min Max Skewness Kurtosis

1. Jawa Barat 182.26 0 637.00 0.8161362 0.2116862
2. Jawa Tengah 172.86 0 991.90 1.781262 5.846172
3. Jawa Timur 174.135 0 886.00 1.006435 0.6468192
(mm/hari)
Tabel 5.1 menunjukkan bahwa dari ketiga Provinsi diatas selama kurun waktu
2000 sampai 2019 nilai minimum dari curah hujan yaitu 0 mm/hari. Sedangkan untuk
nilai maksimum curah hujan selama kurun waktu 2000 sampai 2019 Provinsi Jawa
Barat yaitu 637 mm/hari, pada Provinsi Jawa Tengah nilai maksimum dari curah
hujan yaitu 991.9 mm/hari dan untuk Provinsi Jawa Timur, nilai maksimum curah
hujan nya yaitu 886 mm/hari. Dari ketiga Provinsi diatas rata - rata curah hujan dari
kurun waktu 2000 sampai 2019 diatas 170 mm/hari, mengindikasikan bahwa pada
ketiga Provinsi di atas memiliki curah hujan tinggi atau bisa dikatakan ekstrem.
Berdasarkan definisi dari BMKG, yang menyatakan bahwa curah hujan dikategorikan
ekstrem apabila mencapai 100 mm/hari. Berdasarkan Tabel 5.1 diatas juga terlihat
bahwa nilai skewness pada ketiga Provinsi diatas lebih dari 0, yang berarti distribusi
memiliki nilai skewness positif atau ekor kanan dari distribusi lebih panjang dari ekor
kiri. Tabel 5.1 juga menyajikan nilai kurtosis, nilai kurtosis memberikan gambaran
 50

seberapa runcing kurva distribusi data. Semakin besar nilai kurtosisnya, semakin
runcing kurva yang mengindikasikan bahwa keragaman data cenderung lebih kecil.

Gambar 0.1. Analisis Visual dengan Histogram

Melalui analisis visual menggunakan histogram juga terlihat adanya data ekstrem
dan pola data heavytail pada ketiga Provinsi tersebut yang ditunjukan pada Gambar
5.1. Pada Gambar 5.1 terlihat bahwa kurva distribusi data miring ke kiri dan
memperlihatkan tingginya frekuensi data menonjol di sekitar nilai nol, sedangkan
masih terdapat kejadian dengan curah hujan yang jauh lebih besar dari nol dengan
frekuensi yang jauh lebih kecil, sehingga mengindikasikan adanya pola data heavytail.
Karena terdapat indikasi nilai ekstrem dan data heavytail ini menunjukkan bahwa
data curah hujan tidak berdistribusi normal dan mengakibatkan penelitian ini
menggunakan metode extreme value theory.

5.2 Penentuan Data Sampel dengan Block Maxima

Data sampel yang digunakan pada penelitian ini merupakan nilai ekstrem dari
data curah hujan pada Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur. Penentuan
sampel dilakukan menggunakan metode block maxima yaitu dengan membagi data
kedalam blok periode tertentu. Berdasarkan acuan dari BMKG yang
mengklasifikasikan pola hujan pada sebagian besar wilayah dipulau jawa merupakan
 51

pola hujan monsun, data dibagi ke dalam blok periode tiga bulanan, block yang
terbentuk yaitu Desember-Januari-Februari (DJF), Maret-April-Mei (MAM),
Juni-Juli-Agustus (JJA) dan September-Oktober-November (SON). Pada pola
monsun, pembagian periode musimnya meliputi DJF yang merupakan periode musim
hujan, MAM merupakan periode transisi dari musim hujan ke musim kemarau, JJA
merupakan periode musim kemarau, dan SON merupakan periode transisi dari musim
kemarau ke musim hujan. Selama periode sampel (2000-2019) terbentuk 79 blok.
Dari satu blok diambil satu nilai ekstrem, nilai ekstrem yang diambil merupakan nilai
maksimum dari masing-masing blok.

5.3 Uji Kesesuaian Distribusi

Sebelum dilakukan analisis, data ekstrem yang sudah diperoleh perlu diuji
apakah data yang sudah diambil menggunakan metode block maxima berdistribusi
GEV. Salah satu cara untuk melihat data sampel ekstrem blok tiga bulanan
berdistribusi GEV atau tidak yaitu dengan melihat probability plot. Selain
menggunakan probability plot, untuk mengetahui data distribusi GEV atau tidak yaitu
dengan menggunakan uji Anderson Darling. Gambar 5.2 ditampilkan probability plot
dari Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur dengan blok tiga bulan.

Gambar 0.2. Probability plot pada Provinsi Jawa Barat, Jawa Tengah dan Jawa
Timur
 52

Dari Gambar 5.2 terlihat bahwa hasil plot ketiga provinsi tersebut menunjukkan
bahwa hampir semua titik sebaran mengikuti garis linier. Hal ini menunjukkan bahwa
sampel ekstrem pada ketiga Provinsi tersebut telah mengikuti distribusi GEV.
Selain melihat dari probability plot pada Gambar 5.2, selanjutnya dilakukan
pengujian Anderson Darling untuk mendukung kesimpulan dari probability plot
Gambar 5.2. Pengujian hipotesis sebagai berikut:
H0: F x =F* x (Data mengikuti distribusi teoritis F*x)
H1: F x ≠ F* x (Data mengikuti distribusi teoritis F*x)
Statistik uji yang digunakan yaitu pada persamaan (3.11) dengan menggunakan
tingkat signifikansi  =5% , tolak H0 jika ADhitung lebih besar dari ADtabel .

ADtabel dapat dilihat pada Lampiran 5 atau menggunakan p-value <  dan n =79.
Tabel 0.2 Hasil Uji Anderson Darling

No Provinsi ADhitung P-value Keputusan

1. Jawa Barat 0.5653532 0.9344986 Gagal Tolak H0

2. Jawa Tengah 0.3106373 0.5876178 Gagal Tolak H0
3. Jawa Timur 0.9652988 0.9972561 Gagal Tolak H0

Berdasarkan hasil pengujian menggunakan Anderson Darling, terlihat bahwa

nilai p-value ketika provinsi tersebut lebih besar dari  sehingga menghasilkan
keputusan gagal tolak H0. Hal ini berarti bahwa data sampel ekstrem blok tiga bulanan
sudah mengikuti distribusi GEV.

5.4 Dugaan Nilai Parameter GEV Univariat

Selanjutnya data sampel ekstrem curah hujan, digunakan untuk mengestimasi
parameter distribusi GEV. Data tersebut kemudian digunakan untuk menaksir
parameter GEV univariat yaitu ̂ sebagai parameter lokasi, ̂ sebagai parameter

skala, dan ˆ sebagai parameter bentuk. Dimana parameter yang akan ditaksir
merupakan parameter perlokasi berdasarkan periode blok tiga bulan. Hasil Parameter
̂ , ̂ dan ˆ diperoleh dari proses estimasi menggunakan MLE. Hasil estimasi
parameter GEV disajikan pada Tabel sebagai berikut
 53

Tabel 0.3 Hasil Estimasi Parameter Distribusi GEV

No Provinsi ̂ ̂ ˆ
1. Jawa Barat 226.0210656 141.5225902 -0.2187897
2. Jawa Tengah 179.29986206 128.50393438 0.08802087
3. Jawa Timur 181.83745676 162.37721168 -0.04369635

Tabel 5.3 diatas menunjukkan hasil dari estimasi parameter data curah hujan
Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur. Besarnya nilai parameter ̂
(lokasi) dari Provinsi Jawa Barat adalah 226.0210656, Provinsi Jawa Tengah adalah
179.29986806 dan untuk Jawa Timur yaitu 181.83745676. Sedangkan untuk nilai
parameter ̂ (skala) dari Provinsi Jawa Barat adalah 141.5225902, Provinsi Jawa
Tengah adalah 128.50393438 dan untuk Jawa Timur yaitu 162.37721168. Lalu untuk

nilai parameter ˆ (bentuk) dari Provinsi Jawa Barat adalah -0.2187897, Provinsi
Jawa Tengah adalah -0.08802087 dan untuk Jawa Timur yaitu -0.04369635.
Selanjutnya untuk melakukan analisis spatial dengan pendekatan copula, data perlu
dilakukan transformasi ke distribusi frechet karena distribusi frechet memiliki ekor
yang paling heavytail dibandingkan distribusi GEV yang lain dan copula lebih tepat
diterapkan untuk kasus heavytail. Setelah data ditransformasi ke frechet data perlu
ditransformasi lagi ke copula.

5.5 Dependensi Spatial Curah Hujan Ekstrem

Untuk kasus spatial ekstrem, Salah satu hal penting yang perlu diketahui yaitu
ukuran dependensi spatial pada lokasi, yaitu dengan koefisien ekstremal. Koefisien
ekstermal merupakan ukuran dependensi ekstremal multivariat yang dikemukakan
oleh Smith (1990). Koefisien ekstremal menggambarkan dependensi spatial ekstreme
secara parsial atau bivariat (dua lokasi berpasangan). Koefisien ekstremal bernilai 1
menunjukkan adanya dependensi penuh, sedangkan koefisien ekstremal bernilai 2
menunjukkan tidak terindikasi dependensi spatial (independen penuh). Dalam
melakukan perhitungan koefisien ekstermal, diperlukan informasi mengenai jarak
antar lokasi atau wilayah yang dihitung menggunakan konsep jarak Euclid. Dalam
penelitian ini sebanyak tiga lokasi atau wilayang yang diteliti. Hasil perhitungan
koefisien ekstermal dapat dilihat pada tabel dibawah ini
 54

Tabel 0.4 Hasil Analisis Dependensi Spasial

No Pasangan dua Provinsi Jarak Euclid Koefisien Ekstermal

1. Jawa Barat - Jawa Tengah 2.823 1.424
2. Jawa Tengah - Jawa Timur 2.403 1.027
3. Jawa Barat - Jawa Timur 5.234 1.424

Dari Tabel 5.4 diatas dapat dilihat bahwa jarak euclid paling besar yaitu pada
Provinsi Jawa Barat - Jawa Timur dengan nilai 5.234, dan yang terkecil yaitu Jawa
Tengah - Jawa Timur dengan nilai 2.403. Nilai dari jarak euclid menggambarkan
jarak antar lokasi dalam satuan derajat desimal. Satu derajat desimal sama dengan
111.319 km. Sehingga jarak euclid bernilai 2.83 sama dengan 2.83 x 111.319 yaitu
315.03277 km. Sedangkan untuk nilai koefisien ekstermal untuk Provinsi Jawa Barat
- Jawa Tengah sebesar 1.424, untuk Provinsi Jawa Tengah – Jawa Timur adalah 1.027
dan untuk Jawa Barat - Jawa Timur adalah 1.424. Dari tiga pasang ini, nilai koefisien
ekstermal berada pada rentang nilai 1.03- 1.42 sehingga dapat disimpulkan bahwa
terdapat dependensi spatial antar lokasi. Dari hasil tersebut bisa disimpulkan bahwa
ketiga Provinsi tersebut memiliki ketergantungan spasial.

5.6 Estimasi Parameter Spatial Extreme Value dengan pendekatan Copula

5.6.1 Transformasi Data Marginal GEV ke Copula

Untuk melakukan analisis data menggunakan copula, hal pertama yang harus
dlakukan yaitu mentransformasikan data dari unit data yang berdistribusi GEV ke
unit margin copula. Ada dua tahap dalam melakukan transformasi ke copula. Pertama
data perlu ditransformasikan ke frechet untuk mendapatkan data yang bersifat lebih
heavytail. Tahap selanjutnya yaitu transformasi ke margin copula untuk membentuk
model copula gaussian. Proses transformasi menggunakan persamaan (3.14).
Transformasi melibatkan ketiga parameter GEV yang telah dihitung secara univariat
menghasilkan data transformasi copula pada Lampiran 6.
 55

5.6.2 Penentuan Kombinasi Model Trend Surface Terbaik menggunakan

pendekatan Copula Gaussian
Setelah data yang berdistribusi GEV ditransformasikan ke copula, tahap
berikutnya yaitu melakukan estimasi parameter spatial extreme value dengan
pendekatan copula menggunakan metode maximum pairwise likelihood estimation
(MPLE). Pada proses estimasi parameter ini, dibutuhkan fungsi korelasi. Pada
penelitian ini, fungsi korelasi yang digunakan yaitu korelasi whittle-matern. Korelasi
whittle-matern merupakan fungsi korelasi untuk data spatial yang didasarkan pada
pengukuran jarak.
Pada estimasi parameter spatial extreme value dengan pendekatan copula

dihitung masing-masing parameter ̂ , ̂ dan ˆ dengan menggunakan model

trend surface seperti contoh pada persamaan (3.46). Model trend surface adalah
kombinasi model dengan komponen spasial garis lintang (latitude) dan bujur
(latitude). Longitude dan latitude merupakan variabel geografis yang menunjukkan
koordinat letak suatu lokasi, dalam hal ini berfungsi sebagai variabel penjelas seperti
yang terdapat pada model-model regresi pada umumnya. Pada penelitian ini, terdapat
9 kombinasi model trend surface dengan kombinasi variabel longitude dan latitude.
Estimasi curah hujan ekstrem dilakukan menggunakan kombinasi model terbaik dari
9 kombinasi model yang ada. Suatu kombinasi model trend surface dikatakan terbaik
dari kombinasi model trend surface lainnya apabila kombinasi model tersebut
memiliki nilai AIC terkecil. Hasil perhitungan nilai AIC dari kombinasi model trend
surface terdapat pada Tabel 5.5
Tabel 0.5 Hasil Kombinasi Model Trebd Surface
Kombinasi Ke Kombinasi Model AIC
1. ˆ ( j ) = ˆ , 0 + ˆ ,1u ( j ) + ˆ , 2 v( j ) -90.15592
ˆ ( j ) = ˆ , 0 + ˆ ,1u ( j ) + ˆ , 2 v( j )
 ( j ) = ˆ , 0

2. ˆ ( j ) = ˆ , 0 + ˆ ,1u ( j ) + ˆ , 2 v( j ) -89.20621

ˆ ( j ) = ˆ , 0 + ˆ ,1u ( j )
 ( j ) = ˆ , 0
 56

Kombinasi Ke Kombinasi Model AIC

3. ˆ ( j ) = ˆ , 0 + ˆ ,1u ( j ) + ˆ , 2 v( j ) -92.28817

ˆ ( j ) = ˆ , 0 + ˆ ,1v( j )

 ( j ) = ˆ , 0

4. ˆ ( j ) = ˆ , 0 + ˆ ,1u ( j ) -97.6887

ˆ ( j ) = ˆ , 0 + ˆ ,1u ( j ) + ˆ , 2 v( j )
 ( j ) = ˆ , 0

5. ˆ ( j ) = ˆ , 0 + ˆ ,1v( j ) -92.76409

ˆ ( j ) = ˆ , 0 + ˆ ,1u ( j ) + ˆ , 2 v( j )

 ( j ) = ˆ , 0

6. ˆ ( j ) = ˆ , 0 + ˆ ,1u ( j ) -92.52095

ˆ ( j ) = ˆ , 0 + ˆ ,1u ( j )
 ( j ) = ˆ , 0

7. ˆ ( j ) = ˆ , 0 + ˆ ,1u ( j ) -93.25637

ˆ ( j ) = ˆ , 0 + ˆ ,1v( j )
 ( j ) = ˆ , 0

8. ˆ ( j ) = ˆ , 0 + ˆ ,1v ( j ) -93.03472

ˆ ( j ) = ˆ , 0 + ˆ ,1u ( j )
 ( j ) = ˆ , 0

9. ˆ ( j ) = ˆ , 0 + ˆ ,1v ( j ) -91.47001

ˆ ( j ) = ˆ , 0 + ˆ ,1v ( j )
 ( j ) = ˆ , 0

Berdasarkan tabel 5.5 diatas diketahui model yang terbaik adalah model ke-4
dengan AIC sebesar -97.6887. Dari model GEV terbaik dihitung nilai estimasi
parameternya. Hasil estimasi patameter tersebut kemudian dimasukkan kedalam
model sehingga diperoleh persamaan model trend surface terbaik sebagai berikut:
ˆ(j)=0.3145207+0.0006628u(j)
ˆ(j)=2.41652+0.11434v-0.01206u(j)
ˆ(j)=-0.1449
 57

5.7 Estimasi Parameter Gaussian Copula

Estimasi parameter lokasi ( ̂ ), skala ( ̂ ), dan parameter bentuk ( ˆ ) untuk

masing-masing lokasi dapat ditentukan menggunakan persamaan model trend surface
terbaik serta variabel latitude (v) dan longitude (u) pada masing-masing lokasi
pengamatan. Nilai estimasi parameter copula untuk masing-masing lokasi curah hujan
di Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur disajikan dalam Tabel 5.6
sebagai berikut:

Tabel 0.6 Hasil Estimasi Parameter Gaussian Copula dengan Model Trend Surface
Provinsi Latitude Longitude Lokasi ( ̂ ) Skala ( ̂ ) Bentuk ( ˆ )

Jawa Barat -6.88356 107.5973 0.386 0.332 -0.145

Jawa Tengah -6.9486 110.4199 0.388 0.290 -0.145
Jawa Timur -7.3846 112.7833 0.389 0.212 -0.145

Tabel 5.6 diatas menunjukkan hasil dari estimasi parameter data curah hujan
menggunakan pendekatan gaussian copula di Provinsi Jawa Barat, Jawa Tengah dan
Jawa Timur. Besarnya nilai parameter ̂ (lokasi) dari Provinsi Jawa Barat adalah
0.386, Provinsi Jawa Tengah adalah 0.388 dan untuk Jawa Timur yaitu 0.389.
Sedangkan untuk nilai parameter ̂ (skala) dari Provinsi Jawa Barat adalah 0.332,
Provinsi Jawa Tengah adalah 0.290 dan untuk Jawa Timur yaitu 0.212. Lalu untuk

nilai parameter ˆ (bentuk) dari Provinsi Jawa Barat adalah -0.145, Provinsi Jawa
Tengah adalah -0.145 dan untuk Jawa Timur yaitu -0.145.

5.8 Membangkitkan Data Random dengan Hasil Estimasi Parameter Gaussian

Copula
Setelah mendapatkan parameter copula gaussian dari hasil model trend surface
terbaik, kemudian parameter itu digunakan untuk membangkitkan data random. Data
random yang diperoleh seperti terdapat pada tabel 5.7. Namun data lengkapnya bisa
dilihat pada lampiran 7.
 58

Tabel 0.7 Data Random Menggunakan Gaussian Copula

No. Jawa Barat Jawa Tengah Jawa Timur
1 0.606009757 0.552455633 0.316163793
2 2.274362693 1.516978789 1.581857767
3 1.056833761 2.316537193 3.138873283
4 295.1140986 119.7684707 27.75406331
5 0.547848582 0.707251765 0.580336212
⋮ ⋮ ⋮ ⋮
79. 0.524510522 1.498784421 1.683195015

Pada tabel 5.7 terlihat bahwa data random yang diperoleh tidak berada pada
rentang 0-1. Sedangkan tahap awal dalam melakukan analisis menggunakan copula
adalah data yang ada harus berada pada rentang 0 – 1. Sehingga data random yang
diperoleh harus di transformasikan ke margin copula terlebih dahulu. Hasil dari
transformasi ke margin copula dapat dilihat pada lampiran 8. Selanjutnya data yang
sudah bermargin copula tersebut akan digunakan untuk menduga keluarga copula dan
digunakan untuk memprediksi curah hujan pada Provinsi Jawa Barat, Jawa Tengah
dan Jawa Timur.

5.9 Prediksi Curah Hujan dengan Gaussian Copula

Untuk membandingkan hasil prediksi curah hujan dengan data curah hujan
yang asli, data random dari gaussian copula pada tabel 5.7 harus ditransformasikan
kembali menjadi bentuk distribusi GEV terlebih dahulu. Hasil dari prediksi dapat
dilihat pada gambar 5.3.
 59

JAWA BARAT
Aktual Jabar Prediksi Jabar

800
600
400
200
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-200

JAWA TENGAH
Aktual Jateng Prediksi Jateng

1000
800
600
400
200
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

JAWA TIMUR
Aktual Jatim Prediksi Jatim

1200
1000
800
600
400
200
0
-200 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Gambar 0.3. Grafik Prediksi Curah Hujan dengan Gaussian Copula

Pada Gambar 5.3 perbandingan tidak dilakukan dengan semua data yang ada,
tetapi dengan memilihin satu data asli dari curah hujan yang memiliki nilai paling
tinggi setiap tahunnya. Hasil dari prediksi curah hujan juga dapat dilihat pada Tabel
5.8 berikut ini.
 60

Tabel 0.8 Prediksi Curah Hujan dengan Gaussian Copula

Jawa Barat Jawa Tengah Jawa Timur
No
Aktual Prediksi Aktual Prediksi Aktual Prediksi
1 317.1 233.8 337.9 291.3 273.2 -9.9
2 526.4 219.0 326.7 944.1 589 92.4
3 563.8 379.1 454.6 211.9 571.2 169.7
4 457.7 415.1 593.6 426.5 640.7 296.7
5 304.8 82.8 381.5 128.8 556.2 117.9
6 416.7 200.4 270.7 205.2 318.4 388.1
7 299.9 467.1 809.5 456.1 886 434.6
8 499.8 -3.0 324.4 361.4 516.7 101.0
9 410.5 350.6 905 248.2 255.6 317.1
10 365.7 434.7 483.4 276.7 652.5 281.8
11 557.1 320.3 429.5 224.7 581.7 493.4
12 381.5 256.4 382.1 177.9 398.5 420.7
13 537 232.4 437.4 75.8 445.9 37.9
14 637 364.9 469 453.8 461.1 144.9
15 418.7 177.8 991.9 125.9 455.1 33.9
16 455 -2.0 261.8 382.4 479.8 214.7
17 311.5 271.9 324.3 204.4 589.6 165.0
18 389.3 642.0 404.5 117.8 400.7 106.1
19 483.2 467.9 708.6 205.9 528.5 128.9
20 322.9 187.1 372.8 232.2 487.8 69.8

Selanjutnya besaran error dari hasil prediksi curah hujan pada Tabel 5.8 diatas
dapat dilihat pada Tabel 5.9 berikut.
Tabel 0.9 Besar Error hasil Prediksi Curah Hujan dengan Gaussian Copula
Nomor Provinsi MAPE MASE
1. Jawa Barat 0.4484322 1.544177
2. Jawa Tengah 0.5410097 1.070871
3. Jawa Timur 0.6301803 1.936578

Pada tabel 5.9 terlihat bahwa nilai MAPE dan MASE untuk Provinsi Jawa Barat
sebesar 0.4484322 dan 1.544177, nilai MAPE dan MASE untuk Provinsi Jawa
Tengah sebesar 0.5410097 dan 1.070871 dan untuk Provinsi Jawa Timur nilai MAPE
dan MASE yaitu 0.6301803 dan 1.936578. Suatu model dikatakan layak atau cukup
jika nilai MAPE beriksar antara 20% sampai 50% dan apabila diatas rentang itu
dikatakan buruk. Jadi bisa disimpulkan bahwa model curah hujan untuk Provinsi
Jawa Barat layak digunakan karena memiliki nilai MAPE 44.8 % dan model untuk
 61

Provinsi Jawa Tengah dan Jawa Timur dapat dikatakan buruk karena memiliki nilai
MAPE 54% dan 63%.

5.10 Korelasi Antara Data Curah Hujan dan Korban Bencana Banjir
Pada penelitian kali ini, peneliti ingin mengetahui seberapa besar hubungan
antara variabel curah hujan dan rumah rusak menggunakan uji korelasi. Hasil dari uji
korelasi ditampilkan pada tabel 5.10 berikut ini:
Tabel 0.10 Hasil Uji Korelasi Antara Data Curah Hujan Dan Rumah Rusak
Nomor Curah Hujan – Rumah Pearson Kendall Spearman
Rusak
1. Jawa Barat 0.2298637 0.3054785 0.4072021
2. Jawa Tengah 0.1375021 0.335002 0.4596583
3. Jawa Timur 0.0719615 0.2467116 0.344936

Tabel 5.10 diatas menunjukan nilai korelasi yang diperoleh antar variabel
menggunakan nilai korelasi Pearson, Spearman, dan Kendall. Nilai korelasi Pearson
menunjukan ada atau tidaknya hubungan linear antar variabel, sedangkan nilai
korelasi Spearman dan Kendall menunjukan tingkat kekuatan hubungan antar
variabel tersebut. Nilai Korelasi antara curah hujan dan rumah rusak pada Provinsi
Jawa Barat menggunakan korelasi pearson, kendall dan separman secara berurutan
yaitu 0.2298637, 0.3054785 dan 0.4072021. Untuk nilai Korelasi antara curah hujan
dan rumah rusak pada Provinsi Jawa Tengah menggunakan korelasi pearson, kendall
dan separman secara berurutan yaitu 0.1375021, 0.335002 dan 0.4596583. Sedangkan
nilai korelasi antara curah hujan dan rumah rusak pada Provinsi Jawa Timur
menggunakan korelasi pearson, kendall dan separman secara berurutan yaitu
0.0719615, 0.2467116 dan 0.344936. Ketiga nilai korelasi tersebut menunjukkan arah
korelasi yang positif untuk masing - masing pasangan variabel. Namun ketiganya
memiliki nilai korelasi yang kecil, sehingga bisa disimpulkan bahwa terdapat variabel
lain selain curah hujan yang mempengaruhi rumah rusak ketika terjadi banjir. Dari
data yang ada, terdapat nilai intensitas curah hujan yang kecil atau pun sedang tetapi
memiliki jumlah rumah rusak yang besar. Hal ini dikarenakan lokasi pos pantauan
curah hujan tidak ada pada lokasi yang mengalami kerusakan rumah yang besar
tersebut. Sehingga hal ini bisa mempengaruhi hasil dari nilai korelasi.
 62

5.11 Estimasi Parameter Data Rumah Rusak Akibat Bencana Banjir

Data rumah rusak merupakan data diskrit sehingga dalam melakukan estimasi
parameternya menggunakan distribusi peluang diskrit. Oleh karena data rumah rusak
yang digunakaan memilik banyak nilai 0, maka distribusi yang bisa digunakan untuk
melakukan estimasi parameter yaitu distribusi poisson dan negative binomial.
Tabel 0.11 Hasil Estimasi Parameter Menggunakan Distribusi Poisson
Distribusi Parameter AIC
Variabel
Parameter 1 Parameter 2

Jawa Barat Poisson 120.6329 - 34360.99

Jawa Tengah Poisson 121.3544 - 35592.09
Jawa Timur Poisson 257.8861 - 94807.33
Binomial 0.1060129 120.642237 605.7986
Jawa Barat
Negatif
Binomial 0.128063 38.2205640 638.5495
Jawa Tengah
Negatif
Binomial 0.06679072 258.07516612 526.7250
Jawa Timur
Negatif

Dari tabel 5.11 diatas menunjukkan hasil estimasi parameter  data

kerusakan rumah pada Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur
menggunakan distribusi poisson dan binomial negatif. Hasil estimater parameter dari
distribusi poisson pada Provinsi Jawa Barat sebesar 120.6329, dengan nilai AIC
sebesar 34360.99. Lalu untuk hasil estimasi parameter distribusi poisson data
kerusakan rumah pada Provinsi Jawa Tengah menggunakan distribusi poisson sebesar
121.3544, dengan nilai AIC sebesar 35592.09. Sedangkan hasil estimasi parameter
distribusi poisson data kerusakan rumah pada Provinsi Jawa Timur menggunakan
distribusi poisson sebesar 257.8861, dengan nilai AIC sebesar 94807.33. Selanjutnya,
hasil estimater parameter distribusi binomial negatif pada Provinsi Jawa Barat yaitu
0.1060129 dan 120.642237, dengan nilai AIC sebesar 605.7986. Lalu untuk hasil
estimasi parameter distribusi binomial negatif data kerusakan rumah pada Provinsi
Jawa Tengah menggunakan distribusi poisson yaitu 0.128063 dan 38.2205640,
dengan nilai AIC sebesar 638.5495. Sedangkan hasil estimasi parameter distribusi
 63

binomial negatif data kerusakan rumah pada Provinsi Jawa Timur menggunakan
distribusi poisson yaitu 0.06679072 dan 258.07516612, dengan nilai AIC sebesar
526.7250. Dari tabel 5.11 tersebut terlihat bahwa nilai AIC dari distribusi binomial
negatif lebih kecil dari pada distribusi poisson, sehingga untuk data rumah rusak
distribusi yang digunakan yaitu distribusi binomial negatif.

5.12 Transformasi Distribusi Data Rumah Rusak ke Margin Copula

Data rumah rusak pada lampiran 3 belum berada pada margin copula terlihat
bahwa data random yang diperoleh tidak berada pada rentang 0 - 1. Sedangkan tahap
awal dalam melakukan analisis menggunakan copula adalah data yang ada harus
berada pada rentang 0 – 1. Sehingga data random yang diperoleh harus di
transformasikan ke margin copula terlebih dahulu. Hasil dari transformasi ke margin
copula dapat dilihat pada lampiran 9. Selanjutnya data yang sudah bermargin copula
tersebut akan digunakan untuk menduga parameter dan keluarga copula.

5.13 Fitting Copula dan Estimasi Parameter Copula

Fitting keluarga copula untuk Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur
diperoleh hasil copula yang dapat dilihat Tabel 5.12. Copula ini dipilih berdasarkan
nilai AIC terkecil. Untuk hasil fitting keluarga copula secara keseluruhan dapat dilihat
pada Lampiran 10, Lampiran 11 dan Lampiran 12.
Tabel 0.12 Hasil Fitting dan Estimasi Parameter Copula
No Provinsi Copula Parameter AIC
1. Jawa Barat Frank 1.4999840280 -1.5012568
2. Jawa Tengah Frank -0.5816995330 1.236430
3. Jawa Timur Frank -0.8648329345 1.045856
Berdasarkan Tabel 5.12 diperoleh model ketergantungan antara curah hujan
ekstrem dengan rumah rusak akibat banjir pada Provinsi Jawa Barat, Jawa Tengah
dan Jawa Timur yaitu copula Frank. Copula Frank tidak mempunyai tail dependensi
dengan interpretasi dependensinya dijelaskan berdasarkan parameternya. Bila
variabel tersebut mengikuti copula Frank artinya memiliki hubungan yang erat ketika
kedua variabel rendah atau kuat dilihat dari nilai parameternya.
Model Copula untuk Provinsi Jawa Barat, Provinsi Jawa Tengah dan Jawa Timur

mengikuti copula Frank. Nilai parameter ˆ copula Frank pada Provinsi Jawa Barat
 64

sebesar 1.4999840280 dan nilai AIC sebesar -1.5012568. Nilai parameter ˆ copula
Frank pada Provinsi Jawa Tengah sebesar -0.5816995330 dan nilai AIC sebesar

1.236430. Kemudian untuk Provinsi Jawa Timur nilai parameter ˆ copula Frank

sebesar -0.8648329345 dan memiliki nilai AIC sebesar 1.045856. Nilai ˆ ini
merupakan parameter ketergantungan antar variabelnya, model copula Frank tidak
memiliki tail dependensi atau ekor ketergantungan bagian atas dan bawah. Oleh
karena itu interpretasi dependensinya dijelaskan berdasarkan nilai parameternya,
untuk Provinsi Jawa Barat nilai parameter bernilai positif menunjukan adanya
hubungan yang erat antara curah hujan ekstrem dan rumah rusak akibat banjir ketika
keduanya sama – sama bernilai tinggi, artinya ketika curah hujan tinggi maka rumah
yang mengalami kerusakan akibat banjir juga tinggi. Sedangkan untuk Provinsi Jawa
Tengah dan Jawa Timur nilai parameter bernilai negatif menunjukan adanya
hubungan yang erat antara curah hujan ekstrem dan rumah rusak akibat banjir ketika
keduanya sama – sama bernilai rendah, artinya ketika curah hujan rendah maka
rumah yang mengalami kerusakan akibat banjir juga rendah.
Berdasarkan model yang terpilih, model masing – masing copula dapat ditulis
seperti berikut ini:
1. Model copula frank antara curah hujan ekstrem dan rumah rusak di Jawa

Barat dengan parameter ˆ = 1.499984028 yaitu:

C (u , v ) = −

1
ln 1 +
( )(
eu − 1 ev − 1  )
  e − − 1 


=−
1 

ln 1 +
e1.49
(u 1
)(
− 1 e 49v − 1 
.
)
1.49  e −1.49 − 1 

2. Model copula frank antara curah hujan ekstrem dan rumah rusak di Jawa

Tengah dengan parameter ˆ = -0.5816995330 yaitu:

C (u , v ) = −

1
ln 1 +
( )(
eu − 1 ev − 1  )
  e − − 1 


=
1 
ln 1 +
( )(
e − 0.58u − 1 e − 0.58v − 1  )
0.58  e 0.58 − 1 

3. Model copula frank antara curah hujan ekstrem dan rumah rusak di Jawa

Timur dengan parameter ˆ = -0.8648329345 yaitu:

 65

C (u , v ) = −
1 
ln 1 +
( )(
eu − 1 ev − 1  )
  e − − 1 


=
1 

ln 1 +
e −
(
0. 86 u
)(
−
− 1 e .86v − 1 
0
)
0.86  e 0.86 − 1 


5.14 Prediksi Rumah Rusak dengan Copula Terbaik

Selanjutnya dari model yang telah diperoleh dilakukan random data
menggunakan model copula terbaik yang kemudian hasilnya akan dibandingkan
dengan data asli. Untuk membandingkan hasil prediksi rumah dengan data rumah
rusak yang asli, data random dari copula terbaik harus ditransformasikan kembali
menjadi bentuk distribusi binomial negatif terlebih dahulu. Hasil dari prediksi
dapat dilihat pada gambar 5.4 berikut.

JAWA BARAT
Aktual Jabar Prediksi Jabar

3000

2500

2000

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

JAWA TENGAH
Aktual Jateng Prediksi Jateng

2000

1500

1000

500

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
 66

JAWA TIMUR
Aktual Jatim Prediksi Jatim

6000

5000

4000

3000

2000

1000

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Gambar 0.4. Grafik Prediksi Rumah Rusak dengan Copula Terbaik

Pada Gambar 5.4 perbandingan tidak dilakukan dengan semua data yang ada,
tetapi dengan memilihin satu data asli dari rumah rusak yang memiliki nilai paling
tinggi pada setiap tahunnya. Hasil peramalan data rumah rusak dapat dilihat pada
Tabel 5.13 berikut.
Tabel 0.13 Prediksi Rumah Rusak dengan Copula Terbaik
Jawa Barat Jawa Tengah Jawa Timur
No
Aktual Prediksi Aktual Prediksi Aktual Prediksi
1 0 2391 0 0 0 0
2 0 7 0 17 0 0
3 1089 0 270 0 0 0
4 11 0 249 0 0 0
5 50 0 85 300 0 7
6 0 285 10 0 1 489
7 184 0 327 20 0 0
8 0 98 24 0 0 0
9 20 0 99 0 3988 39
10 0 140 360 2 105 5187
11 844 62 9 7 71 0
12 4 406 1602 3 240 0
13 743 0 1699 0 19 0
14 36 0 6 13 45 0
15 89 0 79 221 0 0
16 3 0 0 0 1 56
17 0 0 288 0 152 8
18 23 2 46 22 29 0
19 201 91 112 6 7 0
20 15 273 0 0 2 18
 67

Selanjutnya dari hasil prediksi tersebut, dilakukan perhitungan error untuk

mengetahui seberapa baik hasil prediksi pada Tabel 5.14 menggunakan MASE. Hasil
nya sebagai berikut
Tabel 0.14 Besar Error Hasil Prediksi Rumah Rusak dengan Copula Terbaik
Nomor Provinsi MASE
1. Jawa Barat 1.009497
2. Jawa Tengah 0.84625
3. Jawa Timur 1.112388

Dari Tabel 5.14 diperoleh nilai MASE untuk dari hasil prediksi pada Provinsi Jawa
Barat yaitu 1.009497, untuk provinsi Jawa Tengah yaitu 0.84625 dan untuk Jawa
Timur yaitu 1.112388.
 BAB VI
PENUTUP

Pada bab ini akan dipaparkan hasil dari analisis yang telah dilakukan pada bab
sebelumnya. Dari hasil analisis tersebut akan diperoleh suatu kesimpulan dari kerja
praktik ini dengan disertai masukan dan saran berdasarkan hasil yang sudai di capai.

6.1 Kesimpulan
Dari penelitian yang berjudul “Pemodelan Kerugian Bencana Banjir Akibat
Curah Hujan Ekstrem Menggunakan Extreme Value Theory dan Copula” dapat
ditarik beberapa simpulan sesuai dengan masalah yang dirumuskan, yakni antara lain:
1. Model curah hujan ekstreme pada Provinsi Jawa Barat, Jawa Tengah dan Jawa
Timur menggunakan estimasi Spatial Extreme Value dengan pendekatan
copula menghasilkan model trend surface sebagai berikut:
ˆ(j)=0.3145207+0.0006628u(j)
ˆ(j)=2.41652+0.11434v-0.01206u(j)
ˆ(j)=-0.1449
Model trend surface ini kemudian digunakan untuk membangkitkan data
random. Kemudian data random ini disandingkan dengan data aktual dan
kemudian dihitung nilai kesalahan peramalan menggunakan MAPE. Hasilnya,
hanya model curah hujan untuk Provinsi Jawa Barat yang layak digunakan
karena memiliki nilai MAPE 44.8 %. Sedangkan untuk Jawa Tengah dan
Jawa Timur dapat dikatakan buruk karena memiliki nilai MAPE 54% dan
63%.
2. Nilai koefisien ekstermal pada ketiga pasang Provinsi berada pada rentang
nilai 1.03- 1.42 sehingga dapat disimpulkan bahwa terdapat dependensi
spatial antar Provinsi, artinya ketiga Provinsi tersebut memiliki
ketergantungan spasial.
3. Model Copula untuk Provinsi Jawa Barat, Provinsi Jawa Tengah dan Jawa
Timur mengikuti copula Frank. Nilai parameter ˆ copula Frank pada
Provinsi Jawa Barat sebesar 1.4999840280 dan nilai AIC sebesar
-1.5012568. Nilai parameter ˆ copula Frank pada Provinsi Jawa Tengah

68
 sebesar -0.5816995330 dan nilai AIC sebesar 1.236430. Kemudian untuk
Provinsi Jawa Timur nilai parameter ˆ copula Frank sebesar
-0.8648329345 dan memiliki nilai AIC sebesar 1.045856.

6.2 Saran
Beberapa usulan saran berikut ini diharapkan dapat menjadi bahan
pertimbangan bagi penelitian selanjutnya yaitu
1. Perlu dilakukan penelitian menggunakan pendekatan peak over treshold
dalam penentuan sampel ekstrem untuk melihat perbandingan dari sisi
validitas menggunakan RMSE dan sisi kebaikan model dengan nilai AIC
yang dihasilkan,
2. Penelitian bisa dikembangkan ke arah pemodelan copula multivariat sehinga
bisa mempertimbangkan faktor - faktor lain yang mempengaruhi kerusakan
rumah,
3. Jika memungkinkan, jumlah data bisa ditambah sehinga bisa memodelkan
dengan lebih baik.

69
 DAFTAR PUSTAKA

AghaKouchak, A., Easterling, D., Hsu, K., Schubert, S., & Sorooshian, S. (2013).
Extremes in a Changing Climate: Detection, Analysis and Uncertainly. New
York: Springer.
Amalia, L. F. (2017). Estimasi Parameter pada Pemodelan Spatial Extreme Value
Dengan Pendekatan Copula.
Anonim. (2009). R untuk Pengelolaan & Analisis Statistik. Jakarta: Universitas
Gunadarma.
Azizah, S. (2016). ESTIMASI PARAMETER MODEL SMITH PADA MAX-STABLE
PROCESS SPATIAL EXTREME VALUE (Studi Kasus : Pemodelan Curah
Hujan Ekstrem di Kabupaten Ngawi). Surabaya: Intitute Teknologi Sepuluh
Nopember.
Babu, G. J. (2004). Model Fitting and Model Selection. Penn Stat University.
BMKG. (2020). Diambil kembali dari Daftar Istilah Klimatologi:
http://balai3.denpasar.bmkg.go.id/daftar-istilah-musim
Brechmann , E. C., & Schepsmeier, U. (2013). Modeling Dependence with C- and
D-Vine Copulas: The R Package CDVine. Journal of Statistica lSoftware,
1-27.
Buike, A. (2018). Copula Modeling for World’s Biggest Competitors . Amsterdam:
University of Amsterdam: Faculty of Economics and Business Amsterdam
School of Economics.
Coles, S. (2001). An Introduction to Statistical Modelling of Extreme Value. London:
Springer - Verlag.
Coles, S. (2001). Improving the Analysis of Extreme Wind Speed with
Information-sharing Models. de l’Institut Pierre Simon Laplace, no. 11, p. 12,
284.
Cooley, D., Nyckah, D., & Naveau, P. (2007). A dependence measure for
multivariate and spatial extremes: Properties and inference. Journal of the
American Statistical Association, 824-840.
Davison, A., Padoan, S., & Ribatet, M. (2012). Statistical Modeling of Spatial
Extremes. Statistical Science, 161-186.
Dharmawan, K. (2012). Estimasi Nilai VaR Dinamis Indeks Saham Menggunakan
Peak-Over Threshold dan Block Maxima. Jurnal Matematika Vol. 2 No. 2,
ISSN : 1693-1394.
Embrecht, P., McNeil, A., & Straumann, D. (1999). Correlation and Dependence In
Risk Management: Properties and Pitfalls.

70
Embrechts, P., Lindskog, F., & McNeil, A. (2001). Modelling Dependence with
Copulas and Applications to Risk Management.
Engmann, S., & Cousineau, D. (2011). Jurnal of Applied Quantitative Methods, Vol
6, No 3.
Genest, C., & Favre, A.-C. (2007). Everything you always wanted to know about
copula modeling but were afraid to ask. J Hydrologic Eng, 347-368.
Gilli, M., & Kellezi, E. (2006). An application of extreme value theory for Measuring
Financial Risk. Computational Economics, 1-23.
Gudendorf,, G., & Segers, J. (2010). Extreme-value copulas, Copula theory and its
aplicationa. hal.127-145.
Hakim, A. R. (2016). Pemodelan Spatial Extreme Value dengan Pendekatan
Max-Stable Process. Surabaya: Institute Teknologi Sepuluh Nopember.
Herrhyanto, N. (2003). Statistika Matematika Lanjutan. Bandung: CV. Pustaka Setia.
Kodoatie, Robert J, & Sugiyanto. (2002). Banjir: Beberapa Penyebab dan Metode
Pengendaliannya dalam Perspektif Lingkungan. Yogyakarta: Pustaka Pelajar.
Kotz, S., & Nadarajah, S. (2000). Extreme Value Distribution: Theory and
Applications. London: Imperial College Press.
McNeil, A. J. (1999). Extreme Value Theory for Risk Managers. 1-17.
Nelsen, R. B., & Flores, M. Ú. (2005). The lattice-theoretic structure of sets of
bivariate copulas and quasi-copulas. Comptes Rendus Mathematique, vol.341,
no.9, hal.583-586.
Nugroho, S., Akbar, S., & Vusvitasari, R. (2008 ). Kajian Hubungan Koefisien
Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G) , dan
Somers . Jurnal Gradien Vol.4 No.2 , 372-381 .
Okhrin, O. (2015). Estimation of the Dependence Parameter in Bivariate
Archimedean Copula Models Under Misspecification. Berlin:
Humboldt-Universit¨at zu Berlin.
Padoan, S., Ribatet, M., & Sisson, S. A. (2010). Likelihood-based inference for
max-stable processes. Journal of the American Statistical Association,,
vol.105, no.489, hal.263-277.
Rahayu, & Dkk. (2009). Banjir dan Upaya Penanggulangannya. Bandung: Pusat
Mitigasi Bencana (PMB-ITB).
Ramadhani, I. (2019). Identifikasi Struktur Dependensi dan Prediksi Indeks Harga
Saham Gabungan Menggunakan Regresi Berbasis D-Vine Copula.
Yogyakarta: Universitas Islam Indonesia.
Ramadhani, I. R. (2015). TESIS - SS 142501.

71
Rinaldi, A. ( 2016). Sebaran Generalized Extreme Value (GEV) dan Generalized
Pareto (GP) untuk Pendugaan Curah Hujan Ekstrim di Wilayah DKI Jakarta.
Al-Jabar: Jurnal Pendidikan Matematika Vol. 7, No. 1, Hal 75 - 84.
Sch¨olzel, C., & Friederichs, P. (2008). Multivariate non-normally distributed random
variables in climate research – introduction to the copula approach. Nonlinear
Processes in Geophysics.
Schlather , M., & Tawn, J. A. (2003). A dependence measure for multivariate and
spatial extremes: Properties and inference. Biometrika. Vol. 90, No. 1 ,
139-156.
Schölzel, C., & Friederichs, P. (2008). Multivariate Non-Normally Distributed
Random Variables, Climate Research–Introduction to The Copula Approach.
Nonlin. Processes Geophys, hal.761–772.
Sebastian, L. (2008). Pendekatan Pencegahan dan Penaggulanganan Banjir. Dinamika
Teknik Sipil, 162-169.
Setiawan, A. (2012). Penentuan Distribusi Skewness dan Kurtosis dengan Metode
Resampling Berdasar Densitas Kernel. Prosiding Seminar Nasional Sains dan
Pendidikan Sains VII UKSW. Salatiga: Universitas Kristen Satya Wacana.
Shrader. (1991). Kamus Saku Fisika. Jakarta: Erlangga.
Suliyanto. (2014). Statistika Non parametrik. Yogyakarta: CV.ANDI OFFSET.
Walpole, R. E. (1995). Ilmu Peluang dan Statistika untuk Insyinyur dan Ilmuwan
terjemahan RK Sembiring. Bandung: ITB.
Wibowo, H. (2008). Desain Prototipe Alat Pengukur Curah Hujan Jarak Jauh
Dengan Pengendalian Komputer. Jember : Universitas Jember.

72
 73

Lampiran 1 Data Curah Hujan Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur
(mm/hari)

Jawa Jawa Jawa Jawa Jawa Jawa

Tanggal Barat Timur Tengah Tanggal Barat Timur Tengah
1/1/2000 261.4 540.3 444.2 1/1/2010 353.3 581.7 412.9
2/1/2000 140.7 293.8 282.3 2/1/2010 557.1 487.6 229.3
3/1/2000 135.7 273.2 276.9 3/1/2010 531 313.5 429.5
4/1/2000 259 235.1 141.5 4/1/2010 93 405.7 214.6
5/1/2000 240.1 179.7 76.2 5/1/2010 345 373.8 246.9
6/1/2000 47.7 35.6 95.5 6/1/2010 191.9 90.1 272.9
7/1/2000 80.2 6.9 39.9 7/1/2010 220.8 135.8 315
8/1/2000 19.8 0 49.3 8/1/2010 220.8 15.5 134.6
9/1/2000 44.8 0 180.7 9/1/2010 424.4 129.3 169.5
10/1/2000 152.4 187.3 98.6 10/1/2010 292.2 276.2 237.1
11/1/2000 317.1 192.1 337.9 11/1/2010 401.4 140.8 149.1
12/1/2000 70.6 232.9 141 12/1/2010 237.5 214.9 348
1/1/2001 219 325.5 263.1 1/1/2011 63 230.5 382.1
2/1/2001 248.9 333 326.7 2/1/2011 76.7 212.8 193.9
3/1/2001 208 589 288 3/1/2011 89.4 398.5 101
4/1/2001 244.3 231.9 263.2 4/1/2011 381.5 140.8 196.3
5/1/2001 82.9 109.5 179.4 5/1/2011 193.4 156.8 142.1
6/1/2001 87.5 236.6 191.4 6/1/2011 117.6 31.3 74.7
7/1/2001 187.2 90.7 30.8 7/1/2011 77.2 30.7 35.8
8/1/2001 52.3 0 6.7 8/1/2011 3.1 0 0
9/1/2001 107 0 101.9 9/1/2011 102.8 0 87.6
10/1/2001 409.7 107.5 107.4 10/1/2011 103.6 9.7 128.6
11/1/2001 526.4 135.6 170.1 11/1/2011 321.4 260.9 371.9
12/1/2001 75.5 419.9 161.1 12/1/2011 259 317.1 137.6
1/1/2002 364.8 571.2 304.3 1/1/2012 82.9 445.9 437.4
2/1/2002 563.8 238.9 454.6 2/1/2012 303.7 179.1 315.5
3/1/2002 344.1 208.5 153.2 3/1/2012 155.5 210.9 277.1
4/1/2002 183.1 140.7 88.5 4/1/2012 290.8 140.8 108.4
5/1/2002 55 73.4 96.8 5/1/2012 257.1 114 81.1
6/1/2002 54.1 0.1 4.1 6/1/2012 60.5 67.7 62.6
7/1/2002 121.8 0.2 0.4 7/1/2012 34.2 0 1.3
8/1/2002 37.9 0 2.6 8/1/2012 0 0 0
9/1/2002 10.3 0 180.7 9/1/2012 27 0 29
10/1/2002 20.6 0 98.6 10/1/2012 125 2.1 259
11/1/2002 196.2 35.4 337.9 11/1/2012 537 58 257
12/1/2002 457.7 205.7 141 12/1/2012 637 171 251
1/1/2003 72.1 640.7 300.9 1/1/2013 216.9 364.9 469
2/1/2003 265.6 540.7 593.6 2/1/2013 250 287 375
3/1/2003 365 324.9 174 3/1/2013 605 461.1 145
4/1/2003 136 83.7 174 4/1/2013 286 140.8 312
5/1/2003 111.7 136.4 134.1 5/1/2013 171 195.8 142
 74

Jawa Jawa Jawa Jawa Jawa Jawa

Tanggal Barat Timur Tengah Tanggal Barat Timur Tengah
6/1/2003 37.4 52.2 17.7 6/1/2013 231.5 239.5 266
7/1/2003 40.5 0 0 7/1/2013 159 109.2 109
8/1/2003 74.7 0 0.6 8/1/2013 74 0.6 72
9/1/2003 76.3 0 70.1 9/1/2013 172 0.2 0
10/1/2003 314.2 14 0 10/1/2013 234 3.6 28.4
11/1/2003 185.9 235.1 164.3 11/1/2013 164 108 179.3
12/1/2003 197.2 94.4 306 12/1/2013 418 359.3 210.9
1/1/2004 195.6 556.2 321.2 1/1/2014 309 258.7 991.9
2/1/2004 191.2 637 381.5 2/1/2014 88.9 247.1 313
3/1/2004 240.8 430 110.4 3/1/2014 418.7 455.1 174.3
4/1/2004 304.8 242 276.4 4/1/2014 216.6 273 58.2
5/1/2004 286.5 49 186.7 5/1/2014 176.7 104.7 134.3
6/1/2004 76.2 6 48.1 6/1/2014 195.5 201.8 70.1
7/1/2004 34.4 0 72.1 7/1/2014 181 47.8 142
8/1/2004 11.4 0 0 8/1/2014 120 0 57.1
9/1/2004 84.7 3 61.9 9/1/2014 1 0 1.5
10/1/2004 83.5 0 15 10/1/2014 65 0 22.3
11/1/2004 184.4 73.6 217.6 11/1/2014 297 72.4 173.2
12/1/2004 238.9 209.4 270.7 12/1/2014 316 319.6 251.9
1/1/2005 168.2 205.2 222.1 1/1/2015 188 464.7 195.1
2/1/2005 416.7 291.5 195.8 2/1/2015 189.1 437.4 261.8
3/1/2005 307.7 318.4 144.4 3/1/2015 318.6 479.8 164.9
4/1/2005 166.9 255.9 159.2 4/1/2015 285.2 259.2 307
5/1/2005 190.6 283.1 82.4 5/1/2015 322.4 181.6 124.9
6/1/2005 201.6 175.7 264.5 6/1/2015 58 0 77.2
7/1/2005 76.3 120.9 25.5 7/1/2015 0.3 1.6 1.7
8/1/2005 64.2 4.5 36.4 8/1/2015 6.9 17.9 11.9
9/1/2005 145.3 15.2 61.1 9/1/2015 43.2 0 0
10/1/2005 114.9 52.9 117 10/1/2015 37.9 0 0.6
11/1/2005 225.8 80.4 109.6 11/1/2015 455 52.6 130.9
12/1/2005 204.7 392.3 272.3 12/1/2015 311.5 129.9 246.8
1/1/2006 299.9 337.8 809.5 1/1/2016 48 167.1 214.2
2/1/2006 282.3 886 330.8 2/1/2016 34.5 589.6 324.3
3/1/2006 53.4 288.2 167.3 3/1/2016 86.3 251.6 85.7
4/1/2006 232.6 262.8 176 4/1/2016 112.6 235.1 182.3
5/1/2006 89.5 228.5 97 5/1/2016 74.7 392.8 72.3
6/1/2006 32.2 0 43.8 6/1/2016 38.2 174 97.5
7/1/2006 45 0 5.5 7/1/2016 44.6 258.4 129
8/1/2006 0 0 0 8/1/2016 49.7 100.7 137.3
9/1/2006 0.3 0 0 9/1/2016 46.8 120.8 356.5
10/1/2006 57.1 0 54.9 10/1/2016 83.5 501.7 107.6
11/1/2006 109.3 31.1 138.1 11/1/2016 87.1 52.6 228.6
12/1/2006 499.8 148 279.1 12/1/2016 15.2 132.4 130
1/1/2007 127.5 146.1 164.5 1/1/2017 65 400.7 229.3
 75

Jawa Jawa Jawa Jawa Jawa Jawa

Tanggal Barat Timur Tengah Tanggal Barat Timur Tengah
2/1/2007 405.7 516.7 246.5 2/1/2017 199.3 257.6 404.5
3/1/2007 105.4 313.8 207.8 3/1/2017 389.3 193.8 203.4
4/1/2007 462 191.2 151.5 4/1/2017 220 283.2 264.2
5/1/2007 88.6 20.6 51.4 5/1/2017 222.3 75.6 125.7
6/1/2007 164.1 30.1 25.3 6/1/2017 106.6 53 92.6
7/1/2007 11 39.6 0.2 7/1/2017 39.1 39.8 25.1
8/1/2007 0 0 22.9 8/1/2017 48 0 1.5
9/1/2007 44.1 0 1 9/1/2017 91 0.3 37.5
10/1/2007 98.4 7.7 136.4 10/1/2017 345 83.3 325.3
11/1/2007 316.2 79.2 324.4 11/1/2017 442 309.2 197.3
12/1/2007 410.5 210 321.4 12/1/2017 129.9 427.3 200.1
1/1/2008 240.9 255.6 381.9 1/1/2018 190.8 313.9 265.8
2/1/2008 103.3 208.5 905 2/1/2018 239.3 528.5 708.6
3/1/2008 242.4 249.5 240.6 3/1/2018 292 432.7 203.2
4/1/2008 327.1 136.4 59.7 4/1/2018 297.5 269.5 128.9
5/1/2008 171.2 44.2 36.2 5/1/2018 123.9 0.1 20.6
6/1/2008 65.3 7.4 71.1 6/1/2018 33.4 77.2 73.1
7/1/2008 3.6 0 0 7/1/2018 0.3 0 0.4
8/1/2008 58.6 0 69.5 8/1/2018 38.9 0.3 0
9/1/2008 41.5 0 56.7 9/1/2018 40.8 0 5.7
10/1/2008 137 48.9 275.1 10/1/2018 124.8 0 80.6
11/1/2008 277.3 205.3 420.2 11/1/2018 483.2 188.3 126.1
12/1/2008 332.8 372.3 309.5 12/1/2018 322.9 386.5 282.8
1/1/2009 208.5 404.9 483.4 1/1/2019 231.4 487.8 370.6
2/1/2009 200.5 652.5 347.8 2/1/2019 269.3 451.1 256.7
3/1/2009 365.7 120.8 107.3 3/1/2019 223.3 332 211.8
4/1/2009 165.6 148.2 170.6 4/1/2019 298.9 332.9 211.3
5/1/2009 183.8 360.1 327.1 5/1/2019 243 53.9 101.8
6/1/2009 101 109.6 85.3 6/1/2019 26.5 0 0
7/1/2009 24.2 0.6 58 7/1/2019 13.4 0.8 2.3
8/1/2009 0.5 0 12.8 8/1/2019 0.2 0 5
9/1/2009 24 0 58 9/1/2019 55 0 60.7
10/1/2009 234.5 0 104.7 10/1/2019 84.2 0 0
11/1/2009 318.2 26.7 135.9 11/1/2019 270.9 26.4 48.6
12/1/2009 271.1 171.1 290.6 12/1/2019 315.5 177.1 372.8
 76

Lampiran 2 Data Curah Hujan Hasil Block Maxima (mm/hari)

Jawa Jawa Jawa Jawa Jawa Jawa

No Barat Timur Tengah No Barat Timur Tengah
1 259 273.2 276.9 41 531 405.7 429.5
2 80.2 35.6 95.5 42 220.8 135.8 315
3 317.1 192.1 337.9 43 424.4 276.2 237.1
4 248.9 333 326.7 44 237.5 230.5 382.1
5 244.3 589 288 45 381.5 398.5 196.3
6 187.2 236.6 191.4 46 117.6 31.3 74.7
7 526.4 135.6 170.1 47 321.4 260.9 371.9
8 563.8 571.2 454.6 48 303.7 445.9 437.4
9 344.1 208.5 153.2 49 290.8 210.9 277.1
10 121.8 0.2 4.1 50 60.5 67.7 62.6
11 196.2 35.4 337.9 51 537 58 259
12 457.7 640.7 593.6 52 637 364.9 469
13 365 324.9 174 53 605 461.1 312
14 74.7 52.2 17.7 54 231.5 239.5 266
15 314.2 235.1 164.3 55 164 108 179.3
16 197.2 556.2 381.5 56 418 359.3 991.9
17 304.8 430 276.4 57 418.7 455.1 174.3
18 76.2 6 72.1 58 195.5 201.8 142
19 184.4 73.6 217.6 59 297 72.4 173.2
20 416.7 291.5 270.7 60 316 464.7 261.8
21 307.7 318.4 159.2 61 322.4 479.8 164.9
22 201.6 175.7 264.5 62 58 17.9 77.2
23 225.8 80.4 109.6 63 455 52.6 130.9
24 299.9 886 809.5 64 311.5 589.6 324.3
25 232.6 288.2 176 65 112.6 251.6 182.3
26 45 0 43.8 66 49.7 258.4 137.3
27 109.3 31.1 138.1 67 87.1 501.7 356.5
28 499.8 516.7 279.1 68 199.3 400.7 404.5
29 462 313.8 207.8 69 389.3 283.2 264.2
30 164.1 39.6 25.3 70 106.6 53 92.6
31 316.2 79.2 324.4 71 442 309.2 325.3
32 410.5 255.6 905 72 239.3 528.5 708.6
33 327.1 249.5 240.6 73 297.5 432.7 203.2
34 65.3 7.4 71.1 74 38.9 77.2 73.1
35 277.3 205.3 420.2 75 483.2 188.3 126.1
36 332.8 652.5 483.4 76 322.9 487.8 370.6
37 365.7 360.1 327.1 77 298.9 332.9 211.8
38 101 109.6 85.3 78 26.5 0.8 5
39 318.2 26.7 135.9 79 315.5 177.1 372.8
40 557.1 581.7 412.9
 77

Lampiran 3 Data Kerusakan Rumah Akibat Banjir

Jawa Jawa Jawa Jawa Jawa Jawa

No Barat Timur Tengah No Barat Timur Tengah
1 0 0 0 41 1919 382 9
2 0 0 0 42 0 0 0
3 0 0 0 43 0 0 172
4 0 0 0 44 4 1194 1602
5 0 0 16 45 4 240 52
6 0 0 0 46 0 25 75
7 0 0 0 47 92 0 111
8 1089 0 270 48 99 19 1699
9 0 0 0 49 158 3 0
10 0 0 0 50 0 0 0
11 0 0 36 51 743 17 0
12 11 0 249 52 36 1079 6
13 32 0 2494 53 116 45 30
14 0 0 0 54 0 49 3
15 101 581 121 55 0 0 0
16 32 0 85 56 310 2651 79
17 50 2509 0 57 89 0 12
18 0 71 0 58 124 0 1
19 0 0 6 59 5 0 490
20 0 0 10 60 161 22 0
21 0 1 0 61 0 1 214
22 0 0 0 62 4 0 0
23 0 0 28 63 3 0 0
24 184 0 327 64 0 152 288
25 0 0 7 65 20 44 115
26 0 0 0 66 180 12 1
27 0 0 0 67 2095 4 6
28 0 0 0 68 9 29 46
29 59 30 0 69 23 1 80
30 0 0 1 70 15 0 0
31 9 0 24 71 311 6607 15
32 20 3988 99 72 248 7 112
33 74 1 0 73 28 14 14
34 0 0 0 74 0 415 0
35 0 0 0 75 201 2 0
36 0 105 360 76 15 2 6
37 0 0 1 77 13 0 5
38 0 0 11 78 0 0 0
39 0 0 11 79 0 0 0
40 844 71 188
 78

Lampiran 4 Data Lokasi Pos Pematan Curah Hujan

Provinsi lat lon

Jawa Barat -6.88356 107.59733
Jawa Tengah -6.9486 110.4199
Jawa Timur -7.3846 112.7833

Lampiran 5 Tabel Anderson Darling

n α
0.250 0.150 0.100 0.050 0.025 0.010 0.005 0.001
10 1.2419 1.6277 1.9518 2.5121 3.0990 3.9083 4.5175 5.9897
20 1.2500 1.6290 1.9385 2.5020 3.0731 3.8995 4.5117 5.9852
30 1.2457 1.6210 1.9313 2.5130 3.1111 3.9673 4.5309 5.8924
40 1.2450 1.6173 1.9362 2.5042 3.1047 3.9397 4.5889 6.1275
50 1.2425 1.6163 1.9277 2.4941 3.0933 3.9200 4.5211 5.943
60 1.2464 1.6225 1.9367 2.5044 3.0776 3.9234 4.4858 6.0808
70 1.2515 1.6245 1.9304 2.4959 3.0889 3.8673 4.5326 5.9428
80 1.2384 1.6148 1.9235 2.4951 3.0778 3.8458 4.4808 5.9249
90 1.2461 1.6177 1.9326 2.5064 3.1020 3.9239 4.5856 6.0412
100 1.2399 1.6235 1.6235 2.4901 3.0655 3.8319 4.4068 5.8987
Mean 1.2453 1.6211 1.9355 2.4986 3.0916 3.9033 4.5416 6.0255
 79

Lampiran 6 Transformasi dari distribusi GEV ke Margin Copula (u)

No. Jawa Barat Jawa Tengah Jawa Timur No. Jawa Barat Jawa Tengah Jawa Timur
1 0.455084 0.61914909 0.5754327 41 0.94721967 0.84723206 0.81359053
2 0.07946474 0.14123444 0.18423961 42 0.35436515 0.69467985 0.64803178
3 0.60667795 0.73355457 0.6875591 43 0.82904776 0.52554609 0.49178383
4 0.42816762 0.71513242 0.66862761 44 0.39795328 0.79600436 0.75468724
5 0.41594554 0.64258885 0.5974189 45 0.75228741 0.41613134 0.40066692
6 0.27110506 0.40232747 0.38955974 46 0.13127107 0.09758036 0.14712864
7 0.94398963 0.34148197 0.34135259 47 0.61734535 0.7829621 0.74026709
8 0.96638182 0.86893318 0.83970397 48 0.57278131 0.85442764 0.82216978
9 0.67164932 0.29303738 0.30359349 49 0.53936674 0.61958192 0.57583457
10 0.13815323 0.01393579 0.05430602 50 0.05882744 0.07602695 0.12743225
11 0.29265616 0.73355457 0.6875591 51 0.9512211 0.57886419 0.53866883
12 0.87654749 0.94314236 0.93422307 52 0.99010777 0.87994253 0.85322792
13 0.71819192 0.35268383 0.35014867 53 0.98237483 0.68923225 0.64261788
14 0.07325888 0.02256263 0.06795196 54 0.38217869 0.59498034 0.55322826
15 0.59942302 0.3248177 0.32831897 55 0.21878686 0.36787984 0.36213281
16 0.29508879 0.79525852 0.75385657 56 0.81871319 0.99346489 0.99640791
17 0.57559798 0.61806533 0.57442714 57 0.81986269 0.353545 0.35082617
18 0.07491659 0.09269853 0.14277327 58 0.29095768 0.26136678 0.27904374
19 0.26453305 0.4746752 0.44866984 59 0.55550935 0.35038693 0.34834257
20 0.81656591 0.60554096 0.56287449 60 0.60393169 0.58536595 0.54451958
21 0.5829961 0.31018635 0.31691793 61 0.61981016 0.32654096 0.3296642
22 0.30587697 0.59156575 0.55012746 62 0.05651684 0.10240048 0.15137834
23 0.36730489 0.17494523 0.21147516 63 0.87308115 0.23068181 0.2552366
 80

No. Jawa Barat Jawa Tengah Jawa Timur No. Jawa Barat Jawa Tengah Jawa Timur
24 0.56300887 0.98318048 0.98561109 64 0.59262657 0.71103891 0.66447062
25 0.38506237 0.35842299 0.35466743 65 0.12335853 0.37645861 0.36892744
26 0.0455578 0.04859917 0.09984753 66 0.04931964 0.24827007 0.2688922
27 0.11830376 0.2504894 0.2706131 67 0.08775208 0.76175434 0.71728224
28 0.92235329 0.62388907 0.57984188 68 0.30022076 0.82203476 0.78415231
29 0.88193134 0.4480717 0.4266637 69 0.76754166 0.59088028 0.54950603
30 0.21900128 0.02877627 0.07646125 70 0.1142672 0.13468561 0.17883533
31 0.60443152 0.71121052 0.66464453 71 0.8554504 0.71275088 0.66620697
32 0.80610158 0.98984136 0.99296197 72 0.4027055 0.97067936 0.97020511
33 0.63131063 0.53435188 0.49939958 73 0.55680482 0.43538037 0.4162818
34 0.06345417 0.09085691 0.1411158 74 0.04100039 0.09456021 0.14444059
35 0.50380378 0.83830287 0.80305203 75 0.90608547 0.21771033 0.24513509
36 0.64506343 0.89000672 0.8657542 76 0.62104026 0.78124352 0.73838342
37 0.71968747 0.71580961 0.66931702 77 0.56042676 0.45900526 0.43566658
38 0.10617943 0.11884144 0.16555249 78 0.032808 0.01441579 0.05514718
39 0.60941723 0.24439676 0.26588784 79 0.60268111 0.78414432 0.74156508
40 0.96298434 0.83093081 0.79443992

Lampiran 7 Data Random menggunakan Gaussian Copula

No. Jawa Barat Jawa Tengah Jawa Timur No. Jawa Barat Jawa Tengah Jawa Timur
1 0.606009757 0.552455633 0.316163793 41 6.502144713 1.416128762 0.809044027
2 2.274362693 1.516978789 1.581857767 42 4.6483137 6.093366566 1.842053861
3 1.056833761 2.316537193 3.138873283 43 0.540411694 0.408841367 0.467231714
 81

No. Jawa Barat Jawa Tengah Jawa Timur No. Jawa Barat Jawa Tengah Jawa Timur
4 295.1140986 119.7684707 27.75406331 44 0.79220464 0.988906079 0.773611739
5 0.547848582 0.707251765 0.580336212 45 1.245884463 1.862593545 4.575456476
6 2.90275268 1.231622954 1.247605395 46 1.675838208 0.907711616 0.619073769
7 0.952028607 0.460082869 0.729288689 47 2.200488812 1.010807483 0.952293019
8 3.436436264 1.285479632 0.927966749 48 0.427300135 0.433653055 0.419074976
9 0.555554044 0.481946491 0.676679712 49 6.755085467 6.742820839 3.762697584
10 4.756701532 8.913733286 13.1224749 50 1.181423043 1.262881087 1.861605336
11 1.233435601 0.266231335 0.271956819 51 1.046107898 0.309003887 0.198908473
12 4.857284614 5.913723064 2.051060117 52 3.017077969 7.078618597 11.98931513
13 2.575475136 5.171526067 1.853173063 53 2.041858656 0.593644599 0.797669546
14 2.821566496 28.91463129 7.069482087 54 12.73480467 5.015750552 19.30368403
15 4.173285772 2.576286325 0.938641931 55 0.148534726 0.144422808 0.209192832
16 0.579409816 0.670437767 0.676796042 56 1.565451179 0.654762215 1.232074591
17 0.400869232 0.430104062 0.381394286 57 0.720113052 0.401536687 0.409221637
18 3.829966547 7.066697464 4.611146154 58 8.44843067 2.846897982 1.2420613
19 0.304239144 0.460285181 0.321555568 59 1.37122256 0.746318016 0.637202298
20 0.837245071 1.221027154 2.453219516 60 2.350048142 4.391508595 8.464389418
21 3.306719895 6.472654681 3.693471629 61 0.72296906 0.713251712 1.225101679
22 0.418438723 0.388116461 1.001410956 62 5.022576848 5.579509557 3.961258543
23 6.353358536 3.636140294 1.551949527 63 0.251534961 0.572449251 1.011408291
24 8.423082536 7.189619033 5.013482854 64 1.399544245 1.213935501 0.901987761
25 0.242413285 0.574868837 0.676026558 65 0.740750434 0.688103302 0.397370982
26 2.352914879 4.385047827 11.30132077 66 31.38628528 14.55022324 9.725380474
27 10.13552554 5.5666614 5.179631617 67 2.749579187 6.830117097 2.968906497
28 0.250165203 0.313697113 0.611015074 68 0.482901304 0.613493773 0.630258156
29 1.000044883 0.610720014 0.729384758 69 111.0356809 7.357573583 1.098289741
 82

No. Jawa Barat Jawa Tengah Jawa Timur No. Jawa Barat Jawa Tengah Jawa Timur
30 1.851801742 0.702220826 0.391502397 70 3.232987295 5.217181726 7.252552237
31 7.876159364 3.801631319 0.911682327 71 1.790550675 2.301754111 1.104632479
32 2.658421244 1.688711655 2.336835267 72 3.26721132 1.227352306 0.72364991
33 5.124459722 3.039166444 1.084857324 73 0.213186244 0.188142172 0.287984993
34 143.2763858 146.8271647 95.95063887 74 2.982528352 2.297652921 1.025669775
35 0.320489334 0.656046099 0.875714277 75 8.500952896 1.496018006 0.934504821
36 0.990616183 2.082122128 1.866832967 76 0.765510536 0.468059878 0.506665878
37 5.930692102 7.929623518 3.315984806 77 0.563915201 0.674534742 1.016290835
38 3.509153284 2.510553342 3.471171051 78 2.72897236 3.150530937 7.996610896
39 1.048202173 1.348599247 0.761062483 79 0.524510522 1.498784421 1.683195015
40 2.054040994 6.02776615 7.417889585

Lampiran 8 Transformasi Data Random Ke Margin Copula

No Jawa Barat Jawa Tengah Jawa Timur No Jawa Barat Jawa Tengah Jawa Timur
1 0.192023322 0.163637755 0.042302144 41 0.85744743 0.493540441 0.290536322
2 0.64424022 0.517262396 0.531438346 42 0.806435161 0.848646212 0.581076831
3 0.388204658 0.649417935 0.727176789 43 0.157167827 0.086644959 0.117623589
4 0.996617215 0.991685317 0.964610621 44 0.283002342 0.363775494 0.274545551
5 0.161165761 0.243187226 0.178504928 45 0.448143115 0.584565884 0.803677324
6 0.708574137 0.443997299 0.448639554 46 0.550616723 0.332315161 0.198827755
7 0.349801788 0.113776249 0.25380244 47 0.634800513 0.371833885 0.349903822
8 0.74751632 0.459360601 0.340403085 48 0.096301112 0.099659998 0.091977816
9 0.165298079 0.12556658 0.228138125 49 0.862399536 0.862167352 0.766617902
10 0.810398065 0.893877588 0.926626102 50 0.428940592 0.453010403 0.584399307
 83

No Jawa Barat Jawa Tengah Jawa Timur No Jawa Barat Jawa Tengah Jawa Timur
11 0.4445274 0.02337398 0.025297383 51 0.384456612 0.039312795 0.006555585
12 0.813933718 0.844425966 0.61412748 52 0.717884546 0.868254416 0.919976089
13 0.678223859 0.82417984 0.582972648 53 0.612779653 0.185535404 0.285460397
14 0.701585115 0.966006644 0.868095908 54 0.924478987 0.819245113 0.949515349
15 0.786927352 0.678306781 0.344600679 55 0.001191631 0.000983774 0.008393661
16 0.178013813 0.225020729 0.228196082 56 0.527928999 0.217127182 0.444129465
17 0.082531183 0.097781613 0.072660416 57 0.249406585 0.082874119 0.086842117
18 0.770204753 0.868047522 0.805037981 58 0.88837158 0.703801084 0.4470373
19 0.037369963 0.113884997 0.044606201 59 0.482257914 0.261868875 0.208178308
20 0.302887625 0.440879975 0.665226559 60 0.653427824 0.796353433 0.888569856
21 0.739031683 0.856846821 0.762808712 61 0.250778536 0.246096983 0.442082493
22 0.091644696 0.076036163 0.368398137 62 0.819467135 0.835915939 0.776898924
23 0.854364751 0.759559293 0.525003236 63 0.018768216 0.17431701 0.372052469
24 0.888055194 0.870150209 0.819171237 64 0.489427804 0.438775672 0.330000043
25 0.016160481 0.1756034 0.227812621 65 0.25924484 0.233804457 0.080738473
26 0.65376668 0.796086299 0.915316627 66 0.968641166 0.933581076 0.902285996
27 0.906048116 0.83557022 0.824429272 67 0.695105242 0.863803148 0.714034249
28 0.018364084 0.04126303 0.194636642 68 0.12608279 0.195927929 0.204609617
29 0.367895952 0.194482802 0.253848282 69 0.99103432 0.872917375 0.402320378
30 0.582739737 0.240736221 0.07774953 70 0.733952142 0.82557566 0.871201056
31 0.880764116 0.768707327 0.333913501 71 0.572073726 0.647619937 0.404429248
32 0.686490351 0.553127134 0.651857578 72 0.73633403 0.442744695 0.251105106
33 0.822717393 0.719615966 0.397810229 73 0.009179944 0.004916642 0.031042341
34 0.993044783 0.993212412 0.989632096 74 0.715133529 0.64711792 0.377202662
35 0.044147073 0.217777119 0.319203972 75 0.889021489 0.512506876 0.342979213
36 0.36441108 0.618610637 0.585279034 76 0.270815433 0.118069861 0.138943586
 84

No Jawa Barat Jawa Tengah Jawa Timur No Jawa Barat Jawa Tengah Jawa Timur
37 0.844834622 0.881518411 0.739656392 77 0.169769054 0.227068549 0.373823955
38 0.752037546 0.671448095 0.749696205 78 0.693198904 0.728034517 0.882450152
39 0.38519159 0.476393956 0.268755681 79 0.148593714 0.513139592 0.552054656
40 0.614562159 0.847131843 0.873882604

Lampiran 9 Transformasi Data Rumah Rusak Ke Margin Copula

No Jawa Barat Jawa Tengah Jawa Timur No Jawa Barat Jawa Tengah Jawa Timur
1 0.474208381 0.481808264 0.575986324 41 0.990685955 0.681696057 0.882026036
2 0.474208381 0.481808264 0.575986324 42 0.474208381 0.481808264 0.575986324
3 0.474208381 0.481808264 0.575986324 43 0.474208381 0.934708117 0.575986324
4 0.474208381 0.481808264 0.575986324 44 0.586754802 0.999870444 0.94036123
5 0.474208381 0.729435317 0.575986324 45 0.586754802 0.834729707 0.857012058
6 0.474208381 0.481808264 0.575986324 46 0.474208381 0.867479921 0.740320141
7 0.474208381 0.481808264 0.575986324 47 0.801458887 0.900964462 0.575986324
8 0.972445216 0.963130838 0.575986324 48 0.807218522 0.999910449 0.727265787
9 0.474208381 0.481808264 0.575986324 49 0.844039879 0.481808264 0.649082186
10 0.474208381 0.481808264 0.575986324 50 0.474208381 0.481808264 0.575986324
11 0.474208381 0.801383568 0.575986324 51 0.953597453 0.481808264 0.722062336
12 0.647136947 0.958601323 0.575986324 52 0.729639268 0.650389226 0.935552582
13 0.720969832 0.999995352 0.575986324 53 0.819695969 0.784904493 0.769232147
14 0.474208381 0.481808264 0.575986324 54 0.474208381 0.60231403 0.773520369
15 0.808791309 0.907979782 0.904288937 55 0.474208381 0.481808264 0.575986324
16 0.720969832 0.87840691 0.575986324 56 0.895822774 0.872038032 0.973140596
17 0.754280882 0.481808264 0.971239666 57 0.798859095 0.70512654 0.575986324
 85

No Jawa Barat Jawa Tengah Jawa Timur No Jawa Barat Jawa Tengah Jawa Timur
18 0.474208381 0.481808264 0.792461761 58 0.824953821 0.543304026 0.575986324
19 0.474208381 0.650389226 0.575986324 59 0.599145169 0.987686082 0.575986324
20 0.474208381 0.690167571 0.575986324 60 0.845517616 0.481808264 0.734202077
21 0.474208381 0.481808264 0.614446911 61 0.474208381 0.949423666 0.614446911
22 0.474208381 0.481808264 0.575986324 62 0.586754802 0.481808264 0.575986324
23 0.474208381 0.778699386 0.575986324 63 0.571653468 0.481808264 0.575986324
24 0.85597804 0.97273724 0.575986324 64 0.474208381 0.966544704 0.832492192
25 0.474208381 0.66203892 0.575986324 65 0.687356028 0.903862242 0.768104494
26 0.474208381 0.481808264 0.575986324 66 0.85426057 0.543304026 0.706115337
27 0.474208381 0.481808264 0.575986324 67 0.992473974 0.650389226 0.659909666
28 0.474208381 0.481808264 0.575986324 68 0.634342335 0.82362406 0.747502312
29 0.766927116 0.481808264 0.749154424 69 0.697179775 0.873136996 0.614446911
30 0.474208381 0.543304026 0.575986324 70 0.667625082 0.481808264 0.575986324
31 0.634342335 0.764919866 0.575986324 71 0.896060943 0.7239121 0.99460702
32 0.687356028 0.89143714 0.985154458 72 0.879046019 0.901700954 0.68258747
33 0.784443869 0.481808264 0.614446911 73 0.711255954 0.718050968 0.713106127
34 0.474208381 0.481808264 0.575986324 74 0.474208381 0.481808264 0.886461749
35 0.474208381 0.481808264 0.575986324 75 0.862861821 0.481808264 0.634956302
36 0.474208381 0.976951209 0.812870039 76 0.667625082 0.650389226 0.634956302
37 0.474208381 0.543304026 0.575986324 77 0.658067645 0.637037358 0.575986324
38 0.474208381 0.697941526 0.575986324 78 0.474208381 0.481808264 0.575986324
39 0.474208381 0.697941526 0.575986324 79 0.474208381 0.481808264 0.575986324
40 0.960422384 0.940896451 0.792461761
 86

Lampiran 10 Hasil Estimasi Parameter Keluarga Copula Provinsi Jawa Barat

No. Tipe Copula Parameter 1 Parameter 2 AIC

1 Gaussian Cop 0.202820016 0 -0.530754224
2 Student.t Cop 0.200620914 30 2.581389886
3 Clayton Cop 0.087285208 0 1.669413798
4 Gumble Cop 1.078249765 0 1.342757894
5 Frank Cop 1.499984028 0 -1.501256837
6 Joe Cop 1.047281305 0 1.898913884
7 BB1 Cop 0.001 1.077774109 3.342942178
8 BB6 Cop 1.001 1.077599439 3.34901282
9 BB7 Cop 1.001 0.086730534 3.669664447
10 BB8 Cop 3.285606931 0.45527616 0.302814561
11 Clayton Cop 180° 0.179229485 0 0.550366128
12 Gumble Cop.180° 1.05453858 0 1.685343031
13 Joe Cop 180° 1.000168951 0 2.000464756
14 BB1 Cop 180° 0.178105388 1.001 2.556674486
15 BB6 Cop.180° 1.001 1.053906267 3.695190792
16 BB7 Cop 180° 1.001 0.178843682 2.560466749
17 BB8 Cop 180° 6 0.232541273 0.800518671
18 Clayton Cop 90° -0.000146278 0 2.001800068
19 Gumble Cop 90° -1.000168951 0 2.011977112
20 Joe Cop 90° -1.000168951 0 2.008965778
21 BB1 Cop 90° -0.001 -1.001 4.083329368
22 BB6 Cop 90° -1.001 -1.001 4.124160894
23 BB7 Cop 90° -1.001 -0.001 4.065430058
24 BB8 Cop 90° -1.001 -0.001 4.000001208
25 Claylon Cop 270° -0.000146278 0 2.005121246
26 Gumble Cop 270° -1.000168951 0 2.006151331
27 Joe Cop 270° -1.000168951 0 2.002769182
28 BB1 Cop 270° -0.001 -1.001 4.071627428
29 BB6 Cop 270° -1.001 -1.001 4.053052152
30 BB7 Cop 270° -1.001 -0.001 4.051493688
31 BB8 Cop 270° -1.001 -0.001 3.99998986

Lampiran 11 Hasil Estimasi Parameter Keluarga Copula Provinsi Jawa Tengah

No. Tipe Copula Parameter 1 Parameter 2 AIC

1 Gaussian Cop -0.064977539 0 1.530094047
2 Student.t Cop -0.070363525 30 5.035829903
3 Clayton Cop 0.000146278 0 2.001206511
4 Gumble Cop 1.000168951 0 2.01467272
5 Frank Cop -0.581699533 0 1.236430139
6 Joe Cop 1.000168951 0 2.012698801
7 BB1 Cop 0.001 1.001 4.095364561
8 BB6 Cop 1.001 1.001 4.162415099
 87

No. Tipe Copula Parameter 1 Parameter 2 AIC

9 BB7 Cop 1.001 0.001 4.083541935
10 BB8 Cop 1.001 0.001 3.999993588
11 Clayton Cop 180° 0.000146278 0 2.00397423
12 Gumble Cop.180° 1.000168951 0 2.005128142
13 Joe Cop 180° 1.000168951 0 2.002783036
14 BB1 Cop 180° 0.001 1.001 4.058137396
15 BB6 Cop.180° 1.001 1.001 4.047163717
16 BB7 Cop 180° 1.001 0.001 4.043992084
17 BB8 Cop 180° 1.001 0.001 3.999987374
18 Clayton Cop 90° -0.135635527 0 2.001800068
19 Gumble Cop 90° -1.000168951 0 2.008612781
20 Joe Cop 90° -1.000168951 0 2.009657905
21 BB1 Cop 90° -0.134021592 -1.001 3.456614129
22 BB6 Cop 90° -1.001 -1.001 4.108733953
23 BB7 Cop 90° -1.001 -0.001 3.455158829
24 BB8 Cop 90° -6 -0.102638095 3.265710136
25 Claylon Cop 270° -0.000146278 0 2.000052746
26 Gumble Cop 270° -1.036372474 0 1.809403925
27 Joe Cop 270° -1.05399917 0 1.873256637
28 BB1 Cop 270° -0.001 -1.035365228 3.820549548
29 BB6 Cop 270° -1.001 -1.03585583 3.809941648
30 BB7 Cop 270° -1.052954573 -0.001 3.87883578
31 BB8 Cop 270° -6 -0.10696155 3.249614727

Lampiran 12 Hasil Estimasi Parameter Keluarga Copula Provinsi Jawa Timur

No. Tipe Copula Parameter 1 Parameter 2 AIC

1 Gaussian Cop -0.135479111 0 1.232217115
2 Student.t Cop -0.130166741 30 3.724913393
3 Clayton Cop 0.000146278 0 2.001588909
4 Gumble Cop 1.000168951 0 2.00378841
5 Frank Cop -0.864832935 0 1.045856286
6 Joe Cop 1.000168951 0 2.002344874
7 BB1 Cop 0.001 1.001 4.033431306
8 BB6 Cop 1.001 1.001 4.036515563
9 BB7 Cop 1.001 0.001 4.024809511
10 BB8 Cop 1.001 0.001 3.999979609
11 Clayton Cop 180° 0.000146278 0 2.001546071
12 Gumble Cop.180° 1.000168951 0 2.003759098
13 Joe Cop 180° 1.000168951 0 2.002302201
14 BB1 Cop 180° 0.001 1.001 4.032975088
15 BB6 Cop.180° 1.001 1.001 4.036125663
16 BB7 Cop 180° 1.001 0.001 4.024270463
17 BB8 Cop 180° 1.001 0.001 3.999993915
18 Clayton Cop 90° -0.203430128 0 2.001800068
 88

No. Tipe Copula Parameter 1 Parameter 2 AIC

19 Gumble Cop 90° -1.000168951 0 2.000470688
20 Joe Cop 90° -1.000168951 0 2.001589115
21 BB1 Cop 90° -0.202219978 -1.001 2.919905773
22 BB6 Cop 90° -1.001 -1.001 4.012500979
23 BB7 Cop 90° -1.001 -0.001 2.918824274
24 BB8 Cop 90° -6 -0.147325966 3.094522108
25 Claylon Cop 270° -0.016484384 0 1.987623913
26 Gumble Cop 270° -1.094069518 0 1.172913076
27 Joe Cop 270° -1.151556089 0 1.098596439
28 BB1 Cop 270° -0.001 -1.093612676 3.179463209
29 BB6 Cop 270° -1.138066095 -1.008415702 3.097854796
30 BB7 Cop 270° -1.151155281 -0.001 3.102384689
31 BB8 Cop 270° -2.66319763 -0.383403569 3.009509222

Lampiran 13 Syntax Analisis Data Penelitian

library(extRemes)
library(nsRFA)
library(e1071)
library(EnvStats)
library(SpatialExtremes)

#Estimasi Parameter dengan GEV

hujan=read.delim("clipboard")
summary(hujan)
skewness(hujan$Jabar)
skewness(hujan$Jateng)
skewness(hujan$jatim)
kurtosis(hujan$Jabar)
kurtosis(hujan$Jateng)
kurtosis(hujan$jatim)
hist(hujan$Jabar, main = "Jawa Barat", xlab = "Curah Hujan", ylab =
"Frekuensi")
hist(hujan$Jateng, main = "Jawa Tengah", xlab = "Curah Hujan", ylab =
"Frekuensi")
hist(hujan$jatim, main = "Jawa Timur", xlab = "Curah Hujan", ylab =
"Frekuensi")

#Estimasi Parameter dengan GEV

hujanBM=read.delim("clipboard")
fit1 <- fevd(hujanBM$Jabar, hujanBM, units="deg C")
fit1
plot(fit1)
plot(fit1, "trace")
return.level(fit1)
return.level(fit1, do.ci=TRUE)
ci(fit1, return.period=c(2,5,10)) # Same as above.

fit2 <- fevd(hujanBM$Jateng, hujanBM, units="deg C")

fit2
plot(fit2)
plot(fit2, "trace")
return.level(fit2)
return.level(fit2, do.ci=TRUE)
 89

ci(fit1, return.period=c(2,5,10)) # Same as above.

fit3 <- fevd(hujanBM$Jatim, hujanBM, units="deg C")

fit3
plot(fit3)
plot(fit3, "trace")
return.level(fit2)
return.level(fit2, do.ci=TRUE)
ci(fit1, return.period=c(2,5,10)) # Same as above.

#Uji Andersondarling
F1= F.GEV(hujanBM$Jabar,226.0210656,141.5225902,-0.2187897)
A1=A2(sort(F.GEV(hujanBM$Jabar, 226.0210656,141.5225902,-0.2187897)))
AD1=A2_GOFlaio(hujanBM$Jabar, dist="GEV")
print(AD1)

F2= F.GEV(hujanBM$Jateng, 179.29986206,128.50393438,0.08802087)

A2=A2(sort(F.GEV(hujanBM$Jateng,
179.29986206,128.50393438,0.08802087)))
AD2=A2_GOFlaio(hujanBM$Jateng, dist="GEV")
print(AD2)

F3= F.GEV(hujanBM$Jatim, 181.83745676,162.37721168,-0.04369635)

A3=A2(sort(F.GEV(hujanBM$Jatim, 181.83745676,
162.37721168,-0.04369635)))
AD3=A2_GOFlaio(hujanBM$Jatim, dist="GEV")
print(AD3)

#transformasi ke frechet
z1 <- gev2frech(hujanBM$Jabar, 226.0210656,141.5225902,-0.2187897)
z2 <- gev2frech(hujanBM$Jateng, 179.29986206,128.50393438,0.08802087)
z3 <- gev2frech(hujanBM$Jateng, 181.83745676, 162.37721168,-0.04369635)
Z=matrix(c(z1,z2,z3),ncol=3)
colnames(Z)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
print(Z)

#Transformasi ke Copula
u1<- exp(-1/z1)
u2<- exp(-1/z2)
u3<- exp(-1/z3)
U=matrix(c(u1,u2,u3),ncol = 3)
colnames(U)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
write.csv(U,file="D:\\surya\\SMT7\\Skripsi\\Data\\data transformasi
1.csv")

#perhitungan Koefisien ekstermal

x<-read.delim("clipboard")
loc=as.matrix(x)
colnames(loc)<-c("lat", "lon")
print(loc)
fitextcoeff(U, loc, estim = "Smith")

#Model Trend Surface

loc.form <- u ~ lon + lat
scale.form <- u ~ lon + lat
shape.form <- u ~ 1
C1<-fitcopula(U, loc, "gaussian","whitmat", loc.form, scale.form,
shape.form, method = "Nelder")
print(C1)
loc.form <- u ~ lon + lat
 90

scale.form <- u ~ lon

shape.form <- u ~ 1
C2<-fitcopula(U, loc, "gaussian","whitmat", loc.form, scale.form,
shape.form, method = "Nelder")
print(C2)
loc.form <- u ~ lon + lat
scale.form <- u ~ lat
shape.form <- u ~ 1
C3<-fitcopula(U, loc, "gaussian","whitmat", loc.form, scale.form,
shape.form, method = "Nelder")
print(C3)
loc.form <- u ~ lon
scale.form <- u ~ lon + lat
shape.form <- u ~ 1
C4<-fitcopula(U, loc, "gaussian","whitmat", loc.form, scale.form,
shape.form, method = "Nelder")
print(C4)
loc.form <- u ~ lat
scale.form <- u ~ lon + lat
shape.form <- u ~ 1
C5<-fitcopula(U, loc, "gaussian","whitmat", loc.form, scale.form,
shape.form, method = "Nelder")
print(C5)
loc.form <- u ~ lon
scale.form <- u ~ lon
shape.form <- u ~ 1
C6<-fitcopula(U, loc, "gaussian","whitmat", loc.form, scale.form,
shape.form, method = "Nelder")
print(C6)
loc.form <- u ~ lon
scale.form <- u ~ lat
shape.form <- u ~ 1
C7<-fitcopula(U, loc, "gaussian","whitmat", loc.form, scale.form,
shape.form, method = "Nelder")
print(C7)
loc.form <- u ~ lat
scale.form <- u ~ lon
shape.form <- u ~ 1
C8<-fitcopula(U, loc, "gaussian","whitmat", loc.form, scale.form,
shape.form, method = "Nelder")
print(C8)
loc.form <- u ~ lat
scale.form <- u ~ lat
shape.form <- u ~ 1
C9<-fitcopula(U, loc, "gaussian","whitmat", loc.form, scale.form,
shape.form, method = "Nelder")
print(C9)

###bangkitkan data dari parameter gaussian copula#

r=rcopula(79, loc, copula = "gaussian", cov.mod = "whitmat", grid =
FALSE, control = list(), nugget = 0.002397, range = 4.195710,
smooth = 1.330472)
colnames(r)=c("Jawa Barat","Jawa Tengah","Jawa Timur")

write.csv(r,file="D:\\surya\\SMT7\\Skripsi\\Data\\Random Copula
1.csv")
?rcopula
##Transformasi Data random hasil membangkitkan data dengan parameter
gaussian copula##
DataCop= read.delim("clipboard")
DataCop
 91

u4<- exp(-1/DataCop$Jawa.Barat)
u5<- exp(-1/DataCop$Jawa.Tengah)
u6<- exp(-1/DataCop$Jawa.Timur)
U2=matrix(c(u4,u5,u6),ncol = 3)
colnames(U2)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
View(U2)
write.csv(U2,file="D:\\surya\\SMT7\\Skripsi\\Data\\data transformasi
2.csv")

#Transformasi Hasil Membangkitkan Data Curah Hujan Dari Margin Copula

ke GEV
ian=read.delim("clipboard")

u11<- exp(-1/ian$Jawa.Barat)
u12<- exp(-1/ian$Jawa.Tengah)
u13<- exp(-1/ian$Jawa.Timur)
U10=matrix(c(u11,u12,u13),ncol = 3)
c1 <- log (u11)
c2 <- log (u12)
c3 <- log (u13)

f1 <- -1/c1
f2 <- -1/c2
f3 <- -1/c3

a1 <- frech2gev(f1, 226.0210656,141.5225902,-0.2187897)

a2 <- frech2gev(f2, 179.29986206,128.50393438,0.08802087)
a3 <- frech2gev(f3, 181.83745676,162.37721168,-0.04369635)

H=matrix(c(a1,a2,a3),ncol=3)
View(H)
write.csv(H,file="D:\\surya\\SMT7\\Skripsi\\Data\\prediksi hujan
tahunan.csv")

##Menghitung Error Nilai Prediks Curah Hujan##

library(MLmetrics)
library(yardstick)
curasakt1=read.delim("clipboard")
curaspred1=read.delim("clipboard")
MAPE1=MAPE(curaspred1$Prediksi.Jabar,curasakt1$Aktual.Jabar)
MAPE2=MAPE(curaspred1$Prediksi.Jateng,curasakt1$Aktual.Jateng)
MAPE3=MAPE(curaspred1$Prediksi.Jatim,curasakt1$Aktual.Jatim)
mase1=mase_vec(curasakt1$Aktual.Jabar,curaspred1$Prediksi.Jabar)
mase2=mase_vec(curasakt1$Aktual.Jateng,curaspred1$Prediksi.Jateng)
mase3=mase_vec(curasakt1$Aktual.Jatim,curaspred1$Prediksi.Jatim)
ddd=cbind(MAPE1,MAPE2,MAPE3)
eee=cbind(mase1,mase2,mase3)
ppp=rbind(ddd,eee)
colnames(ppp)=c("Jawa Barat", "Jawa Tengah", "Jawa Timur")
row.names(ppp)=c("MAPE","MASE")

#Variabel Rumah Rusak Akibat Banjir

rumah=read.delim("clipboard")

# korelasi antar variabel

a1=cor(hujanBM$Jabar,rumah$Jabar, method = "spearman")
a2=cor(hujanBM$Jabar,rumah$Jabar, method = "pearson")
a3=cor(hujanBM$Jabar,rumah$Jabar, method = "kendall")
A1=cbind(a1,a2,a3)
colnames(A1)=c("Spearman","Pearson","Kendall")
 92

print(A1)

b1=cor(hujanBM$Jateng,rumah$Jateng, method = "spearman")

b2=cor(hujanBM$Jateng,rumah$Jateng, method = "pearson")
b3=cor(hujanBM$Jateng,rumah$Jateng, method = "kendall")
A2=cbind(b1,b2,b3)
colnames(A2)=c("Spearman","Pearson","Kendall")
print(A2)

c1=cor(hujanBM$Jatim,rumah$Jatim, method = "spearman")

c2=cor(hujanBM$Jatim,rumah$Jatim, method = "pearson")
c3=cor(hujanBM$Jatim,rumah$Jatim, method = "kendall")
A3=cbind(c1, c2, c3)
colnames(A3)=c("Spearman","Pearson","Kendall")
print(A3)

#fitting distribusi Rumah Rusak

library(fitdistrplus)
pois1MLE=fitdist(rumah$Jabar, "pois", method = "mle")
pois2MLE=fitdist(rumah$Jateng, "pois", method = "mle")
pois3MLE=fitdist(rumah$Jatim, "pois", method = "mle")

binom1MLE=fitdist(rumah$Jabar, "nbinom", method = "mle")

binom2MLE=fitdist(rumah$Jateng, "nbinom", method = "mle")
binom3MLE=fitdist(rumah$Jatim, "nbinom", method = "mle")

fitdist_Par1=rbind(MLE=pois1MLE$estimate, MLE=pois2MLE$estimate,
MLE=pois3MLE$estimate)
fitdist_AIC1=rbind(MLE=pois1MLE$aic, MLE=pois2MLE$aic,
MLE=pois3MLE$aic)
rownames(fitdist_Par1)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
rownames(fitdist_AIC1)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
data.frame(fitdist_Par1,fitdist_AIC1)

fitdist_Par2=rbind(MLE=binom1MLE$estimate, MLE=binom2MLE$estimate,
MLE=binom3MLE$estimate)
fitdist_AIC2=rbind(MLE=binom1MLE$aic, MLE=binom2MLE$aic,
MLE=binom3MLE$aic)
rownames(fitdist_Par2)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
rownames(fitdist_AIC2)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
data.frame(fitdist_Par2,fitdist_AIC2)

#Transformasi Data rusak Rumah Ke margin Copula#

u7<-pnbinom(rumah$Jabar,size=0.1060129,mu=120.6422370)
u8<-pnbinom(rumah$Jateng,size = 0.128063,mu=38.22056400)
u9<-pnbinom(rumah$Jatim,size = 0.06679072, mu=258.07516612)

U3=matrix(c(u7,u8,u9),ncol=3)
colnames(U3)=c("Jawa Barat","Jawa Tengah","Jawa Timur")
write.csv(U3,file="D:\\surya\\SMT7\\Skripsi\\Data\\data transformasi
3.csv")

##Permodelan Kerusakan Rumah Akibat Banjir Dengan Copula##

library(VineCopula)
##Jawa Barat##
a=BiCopEst(u4, u7, 1, method="mle", se=TRUE)
b=BiCopEst(u4, u7, 2, method="mle", se=TRUE)
c=BiCopEst(u4, u7, 3, method="mle", se=TRUE)
d=BiCopEst(u4, u7, 4, method="mle", se=TRUE)
 93

e=BiCopEst(u4, u7, 5, method="mle", se=TRUE)

f=BiCopEst(u4, u7, 6, method="mle", se=TRUE)
g=BiCopEst(u4, u7, 7, method="mle", se=TRUE)
h=BiCopEst(u4, u7, 8, method="mle", se=TRUE)
i=BiCopEst(u4, u7, 9, method="mle", se=TRUE)
j=BiCopEst(u4, u7, 10, method="mle", se=TRUE)
k=BiCopEst(u4, u7, 13, method="mle", se=TRUE)
m=BiCopEst(u4, u7, 14, method="mle", se=TRUE)
n=BiCopEst(u4, u7, 16, method="mle", se=TRUE)
o=BiCopEst(u4, u7, 17, method="mle", se=TRUE)
p=BiCopEst(u4, u7, 18, method="mle", se=TRUE)
q=BiCopEst(u4, u7, 19, method="mle", se=TRUE)
r=BiCopEst(u4, u7, 20, method="mle", se=TRUE)
s=BiCopEst(u4, u7, 23, method="mle", se=TRUE)
t=BiCopEst(u4, u7, 24, method="mle", se=TRUE)
u=BiCopEst(u4, u7, 26, method="mle", se=TRUE)
v=BiCopEst(u4, u7, 27, method="mle", se=TRUE)
w=BiCopEst(u4, u7, 28, method="mle", se=TRUE)
x=BiCopEst(u4, u7, 29, method="mle", se=TRUE)
y=BiCopEst(u4, u7, 30, method="mle", se=TRUE)
z=BiCopEst(u4, u7, 33, method="mle", se=TRUE)
aa=BiCopEst(u4, u7, 34, method="mle", se=TRUE)
bb=BiCopEst(u4, u7, 36, method="mle", se=TRUE)
cc=BiCopEst(u4, u7, 37, method="mle", se=TRUE)
dd=BiCopEst(u4, u7, 38, method="mle", se=TRUE)
ee=BiCopEst(u4, u7, 39, method="mle", se=TRUE)
ff=BiCopEst(u4, u7, 40, method="mle", se=TRUE)
fitCopJBR_Par1=rbind(a$par, b$par, c$par, d$par, e$par, f$par, g$par,
h$par, i$par, j$par, k$par,
m$par, n$par, o$par, p$par, q$par, r$par, s$par, t$par,
u$par, v$par, w$par, x$par,
y$par, z$par, aa$par, bb$par, cc$par, dd$par, ee$par,
ff$par)
fitCopJBR_Par2=rbind(a$par2, b$par2, c$par2, d$par2, e$par2, f$par2,
g$par2, h$par2, i$par2, j$par2, k$par2,
m$par2, n$par2, o$par2, p$par2, q$par2, r$par2,
s$par2, t$par2, u$par2, v$par2, w$par2, x$par2,
y$par2, z$par2, aa$par2, bb$par2, cc$par2, dd$par2,
ee$par2, ff$par2)
fitCopJBR_AIC=rbind(a$AIC, b$AIC, c$AIC, d$AIC, e$AIC, f$AIC, g$AIC,
h$AIC, i$AIC, j$AIC, k$AIC,
m$AIC, n$AIC, o$AIC, p$AIC, q$AIC, r$AIC, s$AIC, t$AIC,
u$AIC, v$AIC, w$AIC, x$AIC,
y$AIC, z$AIC, aa$AIC, bb$AIC, cc$AIC, dd$AIC, ee$AIC,
ff$AIC)
rownames(fitCopJBR_Par1)=c("Gaussian Cop","Student t Cop","Clay
Cop","Gumble Cop","Frank Cop","Joe Cop","BB1 Cop",
"BB6 Cop","BB7 Cop","BB8 Cop", "Clay Cop 180",
"Gum Cop 180", "Joe Cop 180", "BB1 Cop 180",
"BB6 Cop 180","BB6=7 Cop 180", "BB8 Cop 180","Clay
Cop 90", "Gum Cop 90", "Joe Cop 90",
"BB1 Cop 90","BB6 Cop 90","BB7 Cop 90", "BB8 Cop
90","Clay Cop 270", "Gum Cop 270",
"Joe Cop 270", "BB1 Cop 270","BB1 Cop 270","BB7
Cop 270", "BB8 Cop 270")
JBRCop=data.frame(fitCopJBR_Par1,fitCopJBR_Par2,fitCopJBR_AIC)
colnames(JBRCop)=c("Parameter 1","Parameter 1","AIC")
View(JBRCop)
write.csv(JBRCop,file="D:\\surya\\SMT7\\Skripsi\\Data\\FitCop
Jabar.csv")
 94

##Jawa Tengah##
a2=BiCopEst(u5, u8, 1, method="mle", se=TRUE)
b2=BiCopEst(u5, u8, 2, method="mle", se=TRUE)
c2=BiCopEst(u5, u8, 3, method="mle", se=TRUE)
d2=BiCopEst(u5, u8, 4, method="mle", se=TRUE)
e2=BiCopEst(u5, u8, 5, method="mle", se=TRUE)
f2=BiCopEst(u5, u8, 6, method="mle", se=TRUE)
g2=BiCopEst(u5, u8, 7, method="mle", se=TRUE)
h2=BiCopEst(u5, u8, 8, method="mle", se=TRUE)
i2=BiCopEst(u5, u8, 9, method="mle", se=TRUE)
j2=BiCopEst(u5, u8, 10, method="mle", se=TRUE)
k2=BiCopEst(u5, u8, 13, method="mle", se=TRUE)
m2=BiCopEst(u5, u8, 14, method="mle", se=TRUE)
n2=BiCopEst(u5, u8, 16, method="mle", se=TRUE)
o2=BiCopEst(u5, u8, 17, method="mle", se=TRUE)
p2=BiCopEst(u5, u8, 18, method="mle", se=TRUE)
q2=BiCopEst(u5, u8, 19, method="mle", se=TRUE)
r2=BiCopEst(u5, u8, 20, method="mle", se=TRUE)
s2=BiCopEst(u5, u8, 23, method="mle", se=TRUE)
t2=BiCopEst(u5, u8, 24, method="mle", se=TRUE)
u2=BiCopEst(u5, u8, 26, method="mle", se=TRUE)
v2=BiCopEst(u5, u8, 27, method="mle", se=TRUE)
w2=BiCopEst(u5, u8, 28, method="mle", se=TRUE)
x2=BiCopEst(u5, u8, 29, method="mle", se=TRUE)
y2=BiCopEst(u5, u8, 30, method="mle", se=TRUE)
z2=BiCopEst(u5, u8, 33, method="mle", se=TRUE)
aa2=BiCopEst(u5, u8, 34, method="mle", se=TRUE)
bb2=BiCopEst(u5, u8, 36, method="mle", se=TRUE)
cc2=BiCopEst(u5, u8, 37, method="mle", se=TRUE)
dd2=BiCopEst(u5, u8, 38, method="mle", se=TRUE)
ee2=BiCopEst(u5, u8, 39, method="mle", se=TRUE)
ff2=BiCopEst(u5, u8, 40, method="mle", se=TRUE)
fitCopJTNG_Par1=rbind(a2$par, b2$par, c2$par, d2$par, e2$par, f2$par,
g2$par, h2$par, i2$par, j2$par, k2$par,
m2$par, n2$par, o2$par, p2$par, q2$par, r2$par,
s2$par, t2$par, u2$par, v2$par, w2$par,
x2$par, y2$par, z2$par, aa2$par, bb2$par, cc2$par,
dd2$par, ee2$par, ff2$par)
fitCopJTNG_Par2=rbind(a2$par2, b2$par2, c2$par2, d2$par2, e2$par2,
f2$par2, g2$par2, h2$par2, i2$par2, j2$par2, k2$par2,
m2$par2, n2$par2, o2$par2, p2$par2, q2$par2, r2$par2,
s2$par2, t2$par2, u2$par2, v2$par2, w2$par2, x$par2,
y2$par2, z2$par2, aa2$par2, bb2$par2, cc2$par2,
dd2$par2, ee2$par2, ff2$par2)
fitCopJTNG_AIC=rbind(a2$AIC, b2$AIC, c2$AIC, d2$AIC, e2$AIC, f2$AIC,
g2$AIC, h2$AIC, i2$AIC, j2$AIC, k2$AIC,
m2$AIC, n2$AIC, o2$AIC, p2$AIC, q2$AIC, r2$AIC, s$AIC,
t2$AIC, u2$AIC, v2$AIC, w2$AIC,
x2$AIC, y2$AIC, z2$AIC, aa2$AIC, bb2$AIC, cc2$AIC,
dd2$AIC, ee2$AIC, ff2$AIC)
rownames(fitCopJTNG_Par1)=c("Gaussian Cop","Student t Cop","Clay
Cop","Gumble Cop","Frank Cop","Joe Cop","BB1 Cop",
"BB6 Cop","BB7 Cop","BB8 Cop", "Clay Cop 180",
"Gum Cop 180", "Joe Cop 180", "BB1 Cop 180",
"BB6 Cop 180","BB6=7 Cop 180", "BB8 Cop 180","Clay
Cop 90", "Gum Cop 90", "Joe Cop 90",
"BB1 Cop 90","BB6 Cop 90","BB7 Cop 90", "BB8 Cop
90","Clay Cop 270", "Gum Cop 270",
"Joe Cop 270", "BB1 Cop 270","BB1 Cop 270","BB7
Cop 270", "BB8 Cop 270")
JTNGCop=data.frame(fitCopJTNG_Par1,fitCopJTNG_Par2,fitCopJTNG_AIC)
 95

colnames(JTNGCop)=c("Parameter 1","Parameter 1","AIC")

JTNGCop
write.csv(JTNGCop,file="D:\\surya\\SMT7\\Skripsi\\Data\\FitCop
Jateng.csv")

##Jawa Timur##
a3=BiCopEst(u6, u9, 1, method="mle", se=TRUE)
b3=BiCopEst(u6, u9, 2, method="mle", se=TRUE)
c3=BiCopEst(u6, u9, 3, method="mle", se=TRUE)
d3=BiCopEst(u6, u9, 4, method="mle", se=TRUE)
e3=BiCopEst(u6, u9, 5, method="mle", se=TRUE)
f3=BiCopEst(u6, u9, 6, method="mle", se=TRUE)
g3=BiCopEst(u6, u9, 7, method="mle", se=TRUE)
h3=BiCopEst(u6, u9, 8, method="mle", se=TRUE)
i3=BiCopEst(u6, u9, 9, method="mle", se=TRUE)
j3=BiCopEst(u6, u9, 10, method="mle", se=TRUE)
k3=BiCopEst(u6, u9, 13, method="mle", se=TRUE)
m3=BiCopEst(u6, u9, 14, method="mle", se=TRUE)
n3=BiCopEst(u6, u9, 16, method="mle", se=TRUE)
o3=BiCopEst(u6, u9, 17, method="mle", se=TRUE)
p3=BiCopEst(u6, u9, 18, method="mle", se=TRUE)
q3=BiCopEst(u6, u9, 19, method="mle", se=TRUE)
r3=BiCopEst(u6, u9, 20, method="mle", se=TRUE)
s3=BiCopEst(u6, u9, 23, method="mle", se=TRUE)
t3=BiCopEst(u6, u9, 24, method="mle", se=TRUE)
u3=BiCopEst(u6, u9, 26, method="mle", se=TRUE)
v3=BiCopEst(u6, u9, 27, method="mle", se=TRUE)
w3=BiCopEst(u6, u9, 28, method="mle", se=TRUE)
x3=BiCopEst(u6, u9, 29, method="mle", se=TRUE)
y3=BiCopEst(u6, u9, 30, method="mle", se=TRUE)
z3=BiCopEst(u6, u9, 33, method="mle", se=TRUE)
aa3=BiCopEst(u6, u9, 34, method="mle", se=TRUE)
bb3=BiCopEst(u6, u9, 36, method="mle", se=TRUE)
cc3=BiCopEst(u6, u9, 37, method="mle", se=TRUE)
dd3=BiCopEst(u6, u9, 38, method="mle", se=TRUE)
ee3=BiCopEst(u6, u9, 39, method="mle", se=TRUE)
ff3=BiCopEst(u6, u9, 40, method="mle", se=TRUE)
fitCopJTM_Par1=rbind(a3$par, b3$par, c3$par, d3$par, e3$par, f3$par,
g3$par, h3$par, i3$par, j3$par, k3$par,
m3$par, n3$par, o3$par, p3$par, q3$par, r3$par,
s3$par, t3$par, u3$par, v3$par, w3$par,
x3$par, y3$par, z3$par, aa3$par, bb3$par, cc3$par,
dd3$par, ee3$par, ff3$par)
fitCopJTM_Par2=rbind(a3$par2, b3$par2, c3$par2, d3$par2, e3$par2,
f3$par2, g3$par2, h3$par2, i3$par2, j3$par2, k3$par2,
m3$par2, n3$par2, o3$par2, p3$par2, q3$par2, r3$par2,
s3$par2, t3$par2, u3$par2, v3$par2, w3$par2, x$par2,
y3$par2, z3$par2, aa3$par2, bb3$par2, cc3$par2,
dd3$par2, ee3$par2, ff3$par2)
fitCopJTM_AIC=rbind(a3$AIC, b3$AIC, c3$AIC, d3$AIC, e3$AIC, f3$AIC,
g3$AIC, h3$AIC, i3$AIC, j3$AIC, k3$AIC,
m3$AIC, n3$AIC, o3$AIC, p3$AIC, q3$AIC, r3$AIC, s$AIC,
t3$AIC, u3$AIC, v3$AIC, w3$AIC,
x3$AIC, y3$AIC, z3$AIC, aa3$AIC, bb3$AIC, cc3$AIC,
dd3$AIC, ee3$AIC, ff3$AIC)
rownames(fitCopJTM_Par1)=c("Gaussian Cop","Student t Cop","Clay
Cop","Gumble Cop","Frank Cop","Joe Cop","BB1 Cop",
"BB6 Cop","BB7 Cop","BB8 Cop", "Clay Cop 180",
"Gum Cop 180", "Joe Cop 180", "BB1 Cop 180",
"BB6 Cop 180","BB6=7 Cop 180", "BB8 Cop
180","Clay Cop 90", "Gum Cop 90", "Joe Cop 90",
 96

"BB1 Cop 90","BB6 Cop 90","BB7 Cop 90", "BB8 Cop

90","Clay Cop 270", "Gum Cop 270",
"Joe Cop 270", "BB1 Cop 270","BB1 Cop 270","BB7
Cop 270", "BB8 Cop 270")
JTMCop=data.frame(fitCopJTM_Par1,fitCopJTM_Par2,fitCopJTM_AIC)
colnames(JTMCop)=c("Parameter 1","Parameter 1","AIC")
JTMCop
write.csv(JTMCop,file="D:\\surya\\SMT7\\Skripsi\\Data\\FitCop
Jatim.csv")

###Membangkitkan Data dari Model Copula Terbaik

random1=rCopula(79,frankCopula(1.4999840280))
random2=rCopula(79,frankCopula(-0.5816995330))
random3=rCopula(79,frankCopula(-0.8648329345))
colnames(random1)=c("Curah Hujan","Rumah Rusak")
colnames(random2)=c("Curah Hujan","Rumah Rusak")
colnames(random3)=c("Curah Hujan","Rumah Rusak")
write.csv(random1,file="D:\\surya\\SMT7\\Skripsi\\Data\\random rumah
rusak 1.csv")
write.csv(random2,file="D:\\surya\\SMT7\\Skripsi\\Data\\random rumah
rusak 2.csv")
write.csv(random3,file="D:\\surya\\SMT7\\Skripsi\\Data\\random rumah
rusak 3.csv")

##Transformasi Data Rumah Rusak Dari Margin Copula Ke Data Biasa

datbaru1=qnbinom(random1[,2],size=0.1060129,mu=120.6422370)
datbaru2=qnbinom(random2[,2],size = 0.128063,mu=38.22056400)
datbaru3=qnbinom(random3[,2],size = 0.06679072, mu=258.07516612)
databaru=matrix(c(datbaru1,datbaru2,datbaru3),ncol = 3)
View(databaru)
write.csv(databaru,file="D:\\surya\\SMT7\\Skripsi\\Data\\rumah
bismillah.csv")

##Menghitung Error Nilai Prediksi Rumah Rusak##

rumrusakt1=read.delim("clipboard")
rumruspred1=read.delim("clipboard")
mase4=mase_vec(rumrusakt1$Aktual.Jabar,rumruspred1$Prediksi.Jabar)
mase5=mase_vec(rumrusakt1$Aktual.Jateng,rumruspred1$Prediksi.Jateng)
mase6=mase_vec(rumrusakt1$Aktual.Jatim,rumruspred1$Prediksi.Jatim)
lll=cbind(mase4,mase5,mase6)
colnames(lll)=c("Jawa Barat", "Jawa Tengah", "Jawa Timur")
row.names(lll)=c("MASE")
 97

Lampiran 14 Output Analisis Data Penelitian

98
99
100
101
102
103
104
105